Algorytmy logiki rozmytej

Transkrypt

UNIWERSYTET MARII CURIE-SKŁODOWSKIEJ
WYDZIAŁ MATEMATYKI, FIZYKI I INFORMATYKI
INSTYTUT INFORMATYKI
Wiesława Kuniszyk-Jóźkowiak
LUBLIN 2012
Instytut Informatyki UMCS
Lublin 2012
Wiesława Kuniszyk-Jóźkowiak
ALGORYTMY LOGIKI ROZMYTEJ
Recenzent: Maria Skublewska-Paszkowska
Opracowanie techniczne: Wiesława Kuniszyk-Jóźkowiak
Projekt okładki: Agnieszka Kuśmierska
Praca współfinansowana ze środków Unii Europejskiej w ramach
Europejskiego Funduszu Społecznego
Publikacja bezpłatna dostępna on-line na stronach
Instytutu Informatyki UMCS: informatyka.umcs.lublin.pl
Wydawca
Uniwersytet Marii Curie-Skłodowskiej w Lublinie
Instytut Informatyki
pl. Marii Curie-Skłodowskiej 1, 20-031 Lublin
Redaktor serii: prof. dr hab. Paweł Mikołajczak
www: informatyka.umcs.lublin.pl
email: [email protected]
Druk
FIGARO Group Sp. z o.o. z siedziba w Rykach
ul. Warszawska 10
08-500 Ryki
www: www.figaro.pl
ISBN: 978-83-62773-32-9
SPIS TREŚCI
PRZEDMOWA
1. ZBIORY OSTRE I ROZMYTE – PRAWA, DEFINICJE
1
1.1. Zbiory ostre...............................................................................................2
1.2. Definicja zbiorów rozmytych...................................................................4
1.3. Funkcje przynależności.............................................................................7
1.4. Modyfikacja funkcji przynależności……………….………………......13
1.5. α-przekroje i zasada dekompozycji…………………….………….......15
1.6. Zasada rozszerzania ………………………………………...……....…16
2. OPERACJE NA ZBIORACH ROZMYTYCH
18
2.1. Operacje standardowe.......................................................................…..19
2.2. Normy trójkątne......................................................................................20
2.3. Normy parametryczne……………………..……...…………………....26
2.4. Operacje skompensowane………………………………………..….....29
2.5. Dopełnienia……………….………………………………………........30
2.6. Różnice zbiorów rozmytych…………………………………………...32
2.7. Iloczyn kartezjański zbiorów rozmytych………………………………34
3. RELACJE ROZMYTE
35
3.1. Relacje ostre i rozmyte……………………………………………........36
3.2. Podstawowe działania na relacjach rozmytych……...………………....37
3.3. Relacje binarne określone na pojedynczym zbiorze…………………...39
3.4. Projekcja i rozszerzenie cylindryczne……………………………...…..41
4. ARYTMETYKA ROZMYTA
43
4.1. Liczby rozmyte.......................................................................................44
4.2. Arytmetyka liczb rozmytych..................................................................45
4.3. Liczby trójkątne………………………………………………………..48
4.4. Porównywanie liczb rozmytych.............................................................49
4.5. Liczby LP………………...……………………………………………50
4.6. Działania na liczbach LP……………………...……………………….51
5. WNIOSKOWANIE ROZMYTE
53
5.1. Logika klasyczna...................................................................................54
5.2. Reguły wnioskowania rozmytego………………………………..……55
5.3. Zmienne lingwistyczne………………………………..……………....57
5.4. Implikacja rozmyta………………………………………………..…..58
5.5. Baza reguł rozmytych.............................................................................63
5.6. Wnioskowanie na podstawie rozmytej bazy reguł………………...…..64
5.7. Operatory agregacji………………………………………………..…..66
6. STEROWNIKI ROZMYTE
69
6.1.Ogólny schemat sterownika rozmytego………………………………..70
6.2.Tworzenie bazy wiedzy…………...…………………………………...70
6.3. Blok rozmywania……………………………………………………...74
6.4. Wnioskowanie w oparciu o bazę wiedzy……………………………...74
6.5. Blok wyostrzania……………………………………………………...76
6.6. Sterownik Mamdaniego-Assilana…………………………….……….77
6.7. System rozmyty Takagi-Sugeno-Kanga………………………………80
6.8. System rozmyty Łęskiego-Czogały…………………………………...82
7. ROZMYTE ROZPOZNAWANIE WZORCÓW
83
7.1. Podstawy automatycznego rozpoznawania wzorców……………….. 84
7.2. Grupowanie rozmyte………………………………………………….84
7.2.1. Rozmyty algorytm c-średnich…………………….……………85
7.2.2. Algorytm Gustafsona-Kessela…………………………………88
7.2.3. Ocena jakości grupowania………………………………….….88
7.3. Klasyfikatory rozmyte………………………………………………..89
8. MIARY ROZMYTE
96
8.1. Miary przekonania i domniemania…………………………………...97
8.2. Teoria możliwości…………………………………………………….99
8.3. Porównanie teorii możliwości i prawdopodobieństwa……………...101
8.4. Stwierdzenia w języku naturalnym a teoria możliwości…………….102
8.5. Redukcja niepewności informacji…………………………………...104
9. ROZMYTE BAZY DANYCH
106
9.1. Rozmyte relacyjne bazy danych.…………………………………….107
9.2. Zastosowanie zbiorów rozmytych w modelu związków encji……....109
9.3. Zapytania nieprecyzyjne……………………………………………..110
9.4. Praktyczne realizacje systemów zapytań nieprecyzyjnych………….112
9.5. Rozmyte obiektowe bazy danych……………………………………113
10. ZBIORY ROZMYTE TYPU 2
114
10.1. Definicje i własności zbiorów rozmytych typu 2…………………..115
10.2. Operacje na zbiorach rozmytych typu 2……………………………117
10.3. Relacje rozmyte typu 2……………………………………………..119
10.4. Redukcja typu………………………………………………………120
10.5. Systemy rozmyte typu 2……………………………………………121
11. ELEMENTY ROZMYTEGO PRZETWARZANIA OBRAZÓW 126
11.1. Niepewność w przetwarzaniu obrazów………………………….......127
11.2. Poprawa jakości obrazu z zastosowaniem zbiorów rozmytych….…..128
11.3. Techniki rozmytej segmentacji………………………………………131
11.4. Detekcja krawędzi z zastosowaniem logiki rozmytej………………..134
12. LOGIKA ROZMYTA W MEDYCYNIE
136
12.1. Grupowanie rozmyte w diagnostyce medycznej…………………….137
12.2. Rozmyte przetwarzanie obrazów medycznych……………………....137
12.3. Rozmyte systemy monitorowania i kontroli…………………….…...139
12.4. Relacje rozmyte w diagnostyce medycznej.………………………....140
12.5. Logika rozmyta w medycznych systemach ekspertowych…………..143
BIBLIOGRAFIA
145
SŁOWNIK
147
SKOROWIDZ
150
PRZEDMOWA
Algorytmy logiki rozmytej są obecnie stosowane w rozwiązywaniu bardzo
wielu skomplikowanych problemów. Zbiory rozmyte wprowadzone w 1965
roku przez Lofti Zadeha do analizy systemów naśladujących sposób
postrzegania, oceny i percepcji człowieka zostały zastosowane praktycznie
urządzeniach technicznych w tym artykułach masowych jak klimatyzatory,
pralki czy odkurzacze, w systemach przetwarzania i rozpoznawania sygnałów,
gromadzeniu i wyszukiwaniu informacji. Poznanie zasad oraz podstawowych
algorytmów logiki rozmytej jest więc pożądane w pracy inżynierów
i programistów. Skrypt przeznaczony jest dla studentów informatyki, a także
magistrantów i doktorantów zainteresowanych zastosowaniem technik logiki
rozmytej. Jest wynikiem prowadzonych przeze mnie wykładów dla kierunku
informatyka.
Opracowanie składa się z dwunastu rozdziałów. W pierwszym zawarto
podstawowe definicje oraz porównania zbiorów rozmytych i ostrych, opisy
stosowanych klas funkcji przynależności i ich modyfikacje. Operacje na
zbiorach rozmytych zostały opisane w rozdziale drugim. Ważną rolę w wielu
zastosowaniach znajdują relacje rozmyte. Podstawowe wiadomości dotyczące
tych zagadnień przedstawiono w rozdziale trzecim. W związku z nim pozostaje
rozdział dziewiąty, w którym opisano zastosowania relacji rozmytych w bazach
danych. Rozdział czwarty zawiera definicje i podstawy działań na liczbach
rozmytych. Rozdziały 5-7 dotyczą zasad i zastosowań logiki rozmytej. Opisano
w nich podstawy wnioskowania rozmytego oraz zastosowania reguł rozmytych
w sterownikach i systemach rozpoznających.
Zbiory rozmyte nie opisują wszystkich rodzajów niepewności, z jakimi
spotykamy się przy rozwiązywaniu wielu problemów. Dlatego też, w rozdziale
ósmym opisano miary rozmyte, podstawy teorii możliwości i porównanie jej
z teorią prawdopodobieństwa, a także metody oceny i redukcji niepewności
informacji.
Obecnie bardzo wiele prac badawczych dotyczy teorii i zastosowań zbiorów
rozmytych typu 2, w których rozmyciu podlegają również funkcje
przynależności. Zagadnieniom tym poświęcono rozdział dziesiąty.
W rozdziale jedenastym przedstawione zostały niektóre rozwiązania
stosowane przy przetwarzaniu obrazów cyfrowych z zastosowaniem logiki
rozmytej, natomiast dwunastym krótki przegląd zagadnień informatyki
medycznej, w których znajdują zastosowanie algorytmy logiki rozmytej.
Przedmowa
Do opisów teoretycznych zostały dołączone liczne przykłady i ilustracje,
które, mam nadzieję, ułatwią Czytelnikowi zrozumienie prezentowanych
problemów. Przy nazwach podstawowych pojęć dołączono ich odpowiedniki
w języku angielskim, co ma ułatwić poszukiwanie uzupełniających wiadomości
na wybrany temat w światowych źródłach naukowych. W tym celu na końcu
skryptu zamieszczono też słownik tych pojęć.
Zdaję sobie sprawę, że niektóre z prezentowanych metod nie zostały opisane
wyczerpująco, dlatego tez zainteresowanym Czytelnikom polecam lekturę
opracowań wymienionych w załączonej bibliografii.
ROZDZIAŁ 1
ZBIORY OSTRE I ROZMYTE – PRAWA,
DEFINICJE
1.1. Zbiory ostre............................................................................................2
1.2. Definicja zbiorów rozmytych............................................................... 4
1.3. Funkcje przynależności..........................................................................7
1.4. Modyfikacja funkcji przynależności………………………..………..13
1.5. α-przekroje i zasada dekompozycji…………………….……………15
1.6. Zasada rozszerzania ………………………………………...……….16
Zbiory ostre i rozmyte – prawa, definicje
2
1.1. Zbiory ostre
Opis rzeczywistości przy wykorzystaniu zbiorów klasycznych, określanych
też, jako ostre (ang. crisp sets) przyjmuje za pewnik, że dany element należy lub
nie należy do zbioru. Dla przykładu w zbiorze kobiet nie ma mężczyzn, do
zbioru dzieci w wieku poniżej 10 lat nie należy Jacek, który ma lat 11, natomiast
należy Ela, która ma 9 lat itd. Teoria zbiorów pozwala na podział analizowanej
przestrzeni danych zwanej uniwersum na rozdzielne grupy. Niech będzie dany
zbiór dowolnych elementów ai (i=1, 2, 3, 4, ....) należących do zbioru A i bi nie
należących do tego zbioru. Symbolicznie można zapisać, że: a i  A, b i  A .
Jeżeli oba te zbiory zostały utworzone w tej samej przestrzeni (uniwersum) X to
zarówno elementy a i  X, b i  X . Dla każdego elementu x uniwersum X
przynależność do danego zbioru można określić poprzez podanie tzw. funkcji
charakterystycznej χ(x) (ang. characteristic function), która przyjmuje wartość 1
dla wszystkich elementów należących do zbioru i 0 dla pozostałych. Tak, więc
dla zbioru A można zapisać to w postaci:
(1.1)
1 dla x  A
χ A (x)  
0 dla x  A
Zbiór (mnogość) wszystkich funkcji charakterystycznych na przestrzeni X
tworzy algebrę Boole’a ze względu na następujące operacje [13,14]:
χ A ( x )  χ B (x )  min[ χ A ( x ), χ B ( x )]
(1.2)
χ A ( x )  χ B (x )  max[ χ A ( x ), χ B ( x )]
χ A ( x )  1  χ A ( x )
Operacje powyższe opisują przecięcie (ang. intersection) lub inaczej iloczyn,
sumę (ang. union) oraz dopełnienie (ang. complement) zbiorów. Przez iloczyn
zbiorów, który można symbolicznie również zapisać, jako A  B , rozumiana
jest ich część wspólna, czyli te elementy, które należą zarówno do zbioru A jak
i do zbioru B. Jeśli dla przykładu A jest zbiorem punktów ograniczonych
pojedynczą, a B podwójną linią (rys. 1.1), to iloczyn tych zbiorów stanowi zbiór
punktów wspólnych obu kół, natomiast suma - należących do któregokolwiek
z nich. Z kolei różnica zbiorów A\B jest częścią płaszczyzny należącą do koła A
i nie należącą do B.
Rys.1.1 Ilustracja operacji iloczynu, sumy, różnicy i dopełnienia zbiorów ostrych
3
Dopełnieniem do zbioru A jest część powierzchni prostokątnej stanowiącej
uniwersum, która nie należy do koła A.
Patrząc na powyższy przykładowy rysunek bardzo łatwo można wyobrazić
sobie spełnienie podstawowych praw dotyczących zbiorów ostrych, które
zostały opisane poniżej. Prawa te można przedstawić, jako działania na zbiorach
lub ich funkcjach charakterystycznych, mając na uwadze, że funkcja
charakterystyczna uniwersum jest równa 1.
1. Inwolucja (ang. involution): dopełnienie dopełnienia zbioru jest równe
temu zbiorowi:
A  A
(1.3)
1  [1   A ( x)]   A ( x)
2. Przemienność (ang. commutativity) sumy i iloczynu zbiorów:
A B  B  A
 A ( x )   B ( x )   B ( x)   A ( x)
(1.4)
A B  B  A
Suma zbiorów A i B jest równa sumie zbiorów B i A. To samo dotyczy
iloczynu.
3. Łączność (ang. associativity):
( A  B)  C  A  ( B  C )
( A  B)  C  A  ( B  C )
(1.5)
Jeśli więc dana jest suma zbiorów A i B i zostanie do niej dodany zbiór C to
wynik jest taki sam, jak w przypadku dodania do zbioru A sumy zbiorów B i C.
Czytelnik może łatwo zapisać przedstawione (a także dalsze) prawa używając
funkcji charakterystycznych.
4. Rozdzielność (ang. distributivity):
A  ( B  C )  ( A  B)  ( A  C )
(1.6)
A  ( B  C )  ( A  B)  ( A  C )
Iloczyn zbioru A przez sumę zbiorów B i C jest równy sumie iloczynów
zbiorów: A i B oraz A i C. Suma zbiorów: A i iloczynu B i C jest równa
iloczynowi sum odpowiednich zbiorów.
5. Absorpcja (ang. absorption)
Jak sama nazwa wskazuje wynika z niej, że w wyniku działań zostaje
zaabsorbowany jeden ze zbiorów. Można zapisać tę własność w postaci:
A  ( A  B)  A
(1.7)
A  ( A  B)  A
6. Absorpcja przez uniwersum (X) lub zbiór pusty (Ø)
A  Ø=Ø
A X = X
(1.8)
7. Idempotentność (ang. idempotence)
Iloczyn zbioru A przez siebie jest równy A. To samo dotyczy sumy.
A  A =A
4
A A = A
(1.9)
8. Identyczność (ang. identity)
A  Ø=A
A  X=A
(1.10)
Suma zbioru A i zbioru pustego jest równa zbiorowi A oraz iloczyn zbioru A
i uniwersum jest też równy A.
9. Prawo zaprzeczenia (ang. law of contradiction)
Iloczyn danego zbioru i jego dopełnienia jest zbiorem pustym.
B B = Ø
(1.11)
10. Prawo wyłączonego środka (ang. law of excluded middle)
A  A = X
11. Prawa de Morgana
Dopełnienie iloczynu zbiorów jest równe sumie ich dopełnień. Dopełnienie
sumy zbiorów jest równe iloczynowi ich dopełnień.
( A  B)  A  B
(1.12)
( A  B)  A  B
Zauważmy, że prawa dotyczące sumy i przecięcia zbiorów występują
w parach. Zbiory mogą składać się z podzbiorów. Zawieranie się podzbiorów
w zbiorze głównym nosi nazwę inkluzji (ang. inclusion) i oznaczane jest
symbolem  . Zbiór A zawiera się w zbiorze B, jeśli suma tych zbiorów jest
równa zbiorowi B lub ich przecięcie jest równe zbiorowi A:
A  B jeśli A  B  B lub A  B  A
Iloczyn kartezjański (ang. Cartesian product) zbiorów A i B jest
uporządkowanym zbiorem par wszystkich elementów i jest oznaczany A  B.
Podzbiór iloczynu kartezjańskiego nazywany jest relacją.
1.2. Definicja zbiorów rozmytych
W klasycznej teorii zbiorów zakłada się, że istnieją wyraźne granice
pomiędzy poszczególnymi zbiorami. Taki opis rzeczywistości nie uwzględnia
bogactwa problemów, w których nie da się takich wyraźnych granic wyznaczyć.
Dotyczą one codziennego życia, pracy lekarza, inżyniera i innych. Gdybyśmy
dla przykładu mieli za zadanie podzielić dużą grupę osób o wzroście w zakresie
od 149 cm do 190 cm na dwa zbiory: “niskie” i “wysokie” i przyjęlibyśmy
granicę ostrą 170 cm, to Annę o wzroście 169 cm uznalibyśmy za niską a Ewę
o wzroście 171 cm za wysoką, tymczasem widzimy dwie osoby
porównywalnego wzrostu. W badaniach medycznych określane są dopuszczalne
granice różnego rodzaju wskaźników niezbędnych do diagnozowania, nie
znaczy to jednak, że dla przykładu, jeśli dopuszczalne stężenie glukozy we krwi
wynosi 120 mg/dl to osobę o stężeniu 121 mg/dl zalicza się do chorych na
cukrzycę. Oczywiście w tych przykładach niedoskonały opis świata jest
korygowany przez człowieka. W urządzeniach technicznych, sterujących
programach komputerowych, automatach potrzebne są narzędzia, które bez
naszego udziału uwzględniać będą nieostrość granic.
Wprowadzone przez L. A. Zadeha w 1965 zbiory rozmyte (ang. fuzzy sets)
5
uwzględniają brak ostrych granic pomiędzy zbiorami, dzięki wprowadzeniu
funkcji przynależności A(x) (ang. membership function). Jest ona w pewnym
sensie odpowiednikiem funkcji charakterystycznej zbiorów ostrych (porównaj
wzór 1.1) i może przyjmować wartości w zakresie [0,1]. Skrajne wartości
oznaczają odpowiednio: 0 – brak przynależności do zbioru, 1- pełną
przynależność. Wartości pośrednie należy rozumieć jako częściową
przynależność. Wartości funkcji przynależności są nazywane stopniami
przynależności (ang. membership grade). Jeśli chcemy opisać zbiór rozmyty A
określony na uniwersum X, to dla każdego elementu podać należy stopień
przynależności, co można przedstawić w postaci następującej [13, 14, 18, 19]:
A={(x, A(x)): xX, A(x) [0,1] }
(1.13)
A(x) - stopień przynależności elementów X do zbioru A.
Zbiory rozmyte zapisuje się też symbolicznie przy użyciu symboli sumy lub
całki. Jeśli uniwersum składa się ze skończonej liczby elementów X = {x1, x2,
…, xk} stosowany jest zapis:
 (x ) k  (x )
 (x )  ( x )
(1.14)
A  A 1  A 2  ...  A k   A i
x1
x2
xk
i 1
xi
Kreska ułamkowa nie oznacza w tym zapisie dzielenia, lecz
przyporządkowanie kolejnym elementom stopni przynależności do zbioru
rozmytego A. Dla uniwersum o nieskończonej liczbie elementów stosowany jest
następujący zapis symboliczny:
 A ( x)
A
(1.15)
X
x
Powstaje pytanie: W jaki sposób przyporządkować elementom uniwersum
funkcje przynależności do danego zbioru rozmytego? Odpowiedź nie jest
prosta. Dokładne funkcje przynależności nie istnieją. Wyrażają one pewne
prawidłowości lub uporządkowanie, nie mogą być wyznaczone w sposób ścisły,
lecz w powiązaniu z wiedzą w obrębie problemu, który jest opisywany przy ich
wykorzystaniu. Przesłanki i sposoby konstrukcji tych funkcji opisane zostaną
w dalszej części opracowania. W poniżej przedstawionym przykładzie
wyznaczenie funkcji przynależności jest proste i intuicyjne.
Przykład 1.1.
Niech uniwersum stanowi zbiór pater przedstawionych na rys. 1.2, na
których są jabłka i cytryny.

Rys. 1.2. Podział pater na dwa zbiory rozmyte: „patery z jabłkami” i „patery
z cytrynami”
6
Każdą z przedstawionych pater można zaliczyć do zbioru: patery z jabłkami
lub patery z cytrynami. Jeśli konstruujemy zbór rozmyty: patery z jabłkami, to
kolejnym elementom: p1, p2, p3, p4, p5, p6, przypiszemy odpowiednio stopnie
przynależności 0; 0,2; 0,5; 0,7; 0,8; 1, natomiast zbiorowi: patery z cytrynami
odpowiednio 1; 0,8; 0,5; 0,3; 0,2; 0. Możemy, więc wg notacji 1.13 zapisać:
Patery z jabłkami = {(p1, 0), (p2, 0,2), (p3, 0,5), (p4, 0,7), (p5, 0,8), (p6, 1)}
Patery z cytrynami ={(p1, 1), (p2, 0,8), (p3, 0,5), (p4, 0,3), (p5, 0,2), (p6, 0)}
Jeśli zastosujemy zapis symboliczny przedstawiony wzorem 1.14
zapiszemy:
0 0 ,2 0,5 0,7 0,8 1
Patery z jabłkami 





p1 p 2 p3 p 4 p5 p6
1 0,8 0,5 0,3 0,2 0
Patery z cytrynami 





p1 p 2 p3 p 4 p5 p 6
Zbiór elementów o stopniach przynależności większych od zera nosi nazwę
nośnika zbioru rozmytego (ang. suport). W powyższym przykładzie nośnik
zbioru patery z jabłkami składa się z elementów [p2, p3, p4 p5, p6], natomiast
patery z cytrynami [p1, p2, p3, p4, p5]. Maksymalną wartość funkcji
przynależności zbioru rozmytego A nazywamy jego wysokością i oznaczamy
h(A). Jeśli jest ona równa 1 to zbiór nazywamy normalnym. Jeżeli dany zbiór
rozmyty A nie jest normalny, to można go znormalizować stosując
przekształcenie:
 ( x)
 An ( x)  A
(1.16)
h( A)
Elementy zbioru o stopniach przynależności równych 1 tworzą jego rdzeń (ang.
core). W zbiorze patery z jabłkami jest to element p6, natomiast w zbiorze
patery z cytrynami – p1.
Przykład 1.2.
Niech będzie dany zbiór rozmyty wysoka temperatura powietrza określony
ciągłą funkcją przynależności przedstawioną na rys. 1.3 na uniwersum [10ºC –
40 ºC].
Rys. 1.3. Funkcja przynależności do zbioru rozmytego „wysoka temperatura
powietrza”
7
Nośnikiem tego zbioru jest zakres temperatur [20 ºC - 40 ºC], jego wysokość
jest równa 1, natomiast rdzeniem zakres temperatur [30 ºC - 40 ºC].
Punkty, przy których funkcja przynależności jest równa ½ nazywane są
punktami krzyżowania (ang. crossover). Określają one szerokość (ang. width)
zbioru rozmytego: Sz(A) = x 2  x 1 , gdzie x1 i x2 są punktami krzyżowania,
czyli µ(x1) = µ(x2) = ½.
1.3. Funkcje przynależności
Zdefiniowanie dowolnego zbioru rozmytego sprowadza się do określenia
jego uniwersum oraz funkcji przynależności elementów uniwersum do tego
zbioru. W podrozdziale zostaną opisane klasy najczęściej stosowanych funkcji
przynależności. Funkcję liniową Ld,g (x) otrzymuje się korzystając
z następującego wzoru:
1
x d

g - x
L d,g ( x )  
dxg
g - d
0
xg
(1.17)
Jak widać jest ona dwuparametrowa. Można bardzo łatwo dobrać parametry
graniczne a mianowicie: d – poniżej której funkcja przynależności jest równa 1
oraz g – wartość, powyżej której przynależność jest zerowa (rys. 1.4).
Rys. 1.4. Funkcja przynależności klasy L
Funkcja Γd,g (x) jest opisana wzorem (rys. 1.5):
0
x d

x - d
Γd ,g ( x )  
dxg
g
d

1
xg
(1.18)
Parametr tej funkcji z lewej strony – d odpowiada elementowi, poniżej
którego funkcja przynależności jest równa 0, natomiast g – stanowi granicę,
8
powyżej której funkcja przynależności przyjmuje wartość 1.
Rys. 1.5. Funkcja przynależności klasy Γ
Do opisu zbiorów pośrednich stosowana jest funkcja Λd,c,g(x) (rys. 1.6):

0
x  d, x  g

x - d
 d , c, g ( x )  
dxc
c-d
g - x
cxg
g -c

(1.19)
Rys. 1.6. Funkcja przynależności klasy Λ
Przykład 1.3.
Niech będzie dane uniwersum ciągłe [20, 120] wartości prędkości
samochodu w km/h. Podzielmy ten zakres na trzy zbiory rozmyte: mała, średnia
i duża prędkość samochodu (rys. 1.7). Zbiór rozmyty mała został odwzorowany
funkcją L (wzór 1.17) z parametrami d=30 km/h i g=60 km/h, średnia - Λ
(wzór 1.19) z parametrami: d=30 km/h, c==60 km/h, g=90 km/h, duża - Γ (wzór
1.18) przy d= 60 km/h, g=90 km/h.
9
Rys. 1.7. Przykładowe liniowe funkcje przynależności do zbiorów rozmytych:
mała, średnia i duża prędkość samochodu
W uzasadnionych przypadkach zamiast tej funkcji
przedziałową funkcję Πd, c1,c2,g(x).
x  d, x  g
0
 xd

d  x  c1
 c1  d
 d ,c1,c 2, g ( x)  
c1  x  c2
1
 g-x
c2  x  g

 g  c2
można
stosować
(1.20)
Rys. 1.8. Parametry funkcji Π
Dobre rezultaty w rozwiązaniach wielu problemów daje stosowanie
nieprostoliniowych funkcji przynależności, przedstawionych równaniami 1.211.23.
10
0

2
  x  d 
2   g  d 
 

s d ,g ( x )  
2

x g
1  2   g  d 



1
xd
dx
dg
2
(1.21)
dg
xg
2
xg
z d ,g ( x )  1 - s d, g ( x )
(1.22)
Rys. 1.9. Parametry funkcji s (rys. a) i z (rys. b)
Funkcja przynależności typu πp,c(x) jest zdefiniowana następującym wzorem:
s c  p,c (x )
π p ,c ( x )  
1 - s c ,c  p ( x )
xc
xc
Rys. 1.10. Parametry funkcji π
(1.23)
11
Funkcje tych trzech typów zostały zastosowane odpowiednio do zbiorów
rozmytych mała, średnia i duża prędkość samochodu (rys. 1.11).
Przykład 1.4.
Zbiór mała charakteryzuje funkcja zd,g(x) z parametrami d=30 km/h i g= 60
km/h, duża sd,g(x) przy d=60 km/h i g=90 km/h, natomiast średnia – funkcja
πc,p(x) z c=60 km/h i p=30 km/h.
Rys. 1.11. Przykładowe nieliniowe funkcje przynależności do zbiorów
rozmytych: mała, średnia i duża prędkość samochodu
W wielu praktycznych zastosowaniach znajduje zastosowanie funkcja
gaussowska:
( x m ) 2
2
μ G ( x , m, σ )  e 2 σ
(1.24)
Funkcja ta przyjmuje wartość 1 dla x = m, a jej szerokość zależy od parametru
σ>0 (rys. 1.12).
µ 1
0,8
0,6
0,4
3
0,2
2 1
0
0
5
10
15
20
Rys. 1.12. Gaussowskie funkcje przynależności przy wartościach σ=1, 2, 3 oraz
m=10
Stosowane są również sigmoidalne funkcje przynależności, których kształty
12
można zmieniać w zależności od parametru β. Parametr ten może przyjmować
wartości dodatnie i ujemne (wzór 1.25 i rys. 1.13). Parametr c określa punkt
krzyżowania się tych funkcji przy różnych wartościach β.
1
μ A ( x , c, β ) 
(1.25)
1  exp[ β( x  c)]
µ 1
-1
0,8
µ 1
-3
0,8
-0,4
3
0,6
0,6
0,4
0,4
0,2
0,2
0
1
0,4
0
0
5
10
15
20
0
5
10
15
20
Rys.1.13. Sigmoidalne funkcje przynależności dla c=10 oraz parametrów
β =-0,4; -1; -3 (z lewej strony) oraz β =0,4; 1; 3 (z prawej strony)
Na zakończenie opisu różnych kształtów funkcji przynależności należy
wspomnieć o prostym i stosowanym kształcie funkcji zwanym singletonem.
Określa ona zbiór rozmyty, którego nośnik jest równoważny rdzeniowi i składa
się z jednego elementu:
1 x  x 0
μ δ (x)  
(1.26)
0 x  x 0
Funkcja tego typu jest stosowana w operacjach rozmywania, która zostanie
przedstawiona w rozdziale 6.
W przedstawionych przykładach funkcje przynależności określono w sposób
dowolny i nie należy przypisywać im innego znaczenia niż prezentacja
określonego typu. Generalnie, zarówno interpretacja, jak również wyznaczanie
parametrów funkcji nie jest proste. W interpretacji Zadeha funkcja
przynależności oznacza stopień wiarygodności, że dany element można zaliczyć
do
określonego
zbioru.
Nie
należy
mylić
wiarygodności
z
prawdopodobieństwem
Dla przykładu, jeśli lekarz ma wybrać jeden z dwóch leków na dane
schorzenie i z jego wiedzy wynika, że pierwszy z prawdopodobieństwem 0,7
jest skuteczny w danym przypadku, natomiast drugi z wiarygodnością 0,7 ma
skład taki jak inne stosowane w tej chorobie, to wybierze lek drugi. Przy
wyborze pierwszego wie, że z prawdopodobieństwem 0,3 może zastosować
kurację na inne schorzenie. Wybierając drugi lek musi liczyć się z niepewnością
o stopniu 0,3, że jego skład jest identyczny z lekami skutecznymi w tym
schorzeniu. Aby nie popełnić błędu zaordynowania leku całkowicie
nieskutecznego (co jest możliwe w trzech na dziesięć przypadków), a leku mniej
skutecznego, wybierze z pewnością lek drugi.
13
Funkcja przynależności może być także interpretowana, jako stopień
podobieństwa (bliskości) danego elementu do wzorcowego, czyli w pełni
przynależnego do określonego zbioru, a także, jako stopień preferencji
obiektów.
Wyznaczenie w sposób ścisły funkcji przynależności jest niemożliwe. Jest
określana pośrednio przez pomiar odległości, częstości lub kosztu. Jeśli
interpretujemy
ją, jako stopień podobieństwa, wyznaczamy odległości
elementów od wzorca i przypisujemy tym wartościom odpowiednie stopnie
przynależności. Przy stosowaniu kryterium częstości stopień przynależności do
określonego zbioru rozmytego jest proporcjonalny do względnej częstości
z jaką dany element był eksperymentalnie uznawany za należący do zbioru.
Możemy wyobrazić sobie, że poddajemy dany element ocenie 10 ekspertów,
z których każdy ma odpowiedzieć na pytanie, czy należy on do zbioru A. Jeśli
siedmiu odpowiedziało twierdząco, funkcja przynależności wynosi 0,7. Przy
pomiarze kosztu, funkcja przynależności jest odwrotnie proporcjonalna do
kosztu, jaki ekspert ponosi zaliczając element do zbioru.
1.4. Modyfikacja funkcji przynależności
W niektórych rozwiązaniach z zastosowaniem zbiorów rozmytych są
stosowane modyfikacje kształtu funkcji przynależności. Modyfikowane funkcje
mają znaczenie lingwistyczne. Jeśli mamy zbiór rozmyty A, któremu odpowiada
wyrażenie „x jest A” to poprzez modyfikację funkcji przynależności możemy
utworzyć zbiory: „bardzo A” i „mniej więcej A”. Pierwszy z nich tworzymy
stosując jednoargumentową operację koncentracji, drugi rozcieńczenia.
Koncentracja CON(A) jest zbiorem rozmytym o funkcji przynależności
określonej wzorem:
μ CON( A ) ( x )  μ A ( x )2
(1.27)
Operacją przeciwną do koncentracji jest rozcieńczenie. Funkcja przynależności
do rozcieńczonego (DIL) zbioru rozmytego jest określona wzorem:
μ DIL ( A ) ( x )  μ A ( x )
(1.28)
Przez zastosowanie operacji koncentracji i rozcieńczenia możemy uzyskać
zwiększenie lub zmniejszenie kontrastu zbioru rozmytego. Intensyfikację
kontrastu uzyskuje się stosując następujący wzór z parametrem β>1:
1
 β 1
2 [μ A ( x )]β
dla μ A ( x ) 

2
μ INT β( A ) ( x )  
(1.29)
1
1  2 β 1[1  μ ( x )]β dla μ ( x ) 
A
A

2
Zmniejszenie kontrastu (DIM) jest uzyskiwane poprzez następującą operację:
14
1
β
β 1
dla μ A ( x ) 
 μ A ( x ) / 2
2
μ DIM β ( A ) ( x )  
(1.30)
1
β
β

1
1  [1  μ ( x )] / 2
dla μ A ( x ) 
A

2
Najczęściej stosowanym we wzorach 1.29 i 1.30 parametrem jest β=2.
Przykład 1.5.
Niech będzie dany zbiór rozmyty dobry uczeń opisany funkcją przynależności
typu Γ3,4(x) przedstawioną linią przerywaną na rys. 1.14 a. Linia ciągła
charakteryzuje stopień przynależności do koncentracji tego zbioru, czyli zbiór
rozmyty bardzo dobry uczeń. Na rys. 1.14 b przedstawiono rozcieńczenie (linia
ciągła) zbioru rozmytego dobry uczeń. Rozcieńczonemu zbiorowi możemy
przypisać wyrażenie średnio dobry uczeń.
Rys.1.14. Funkcje przynależności: do zbioru rozmytego „dobry uczeń”(linia
przerywana), jego koncentracji (linia ciągła) - a oraz rozcieńczenia - b (linia
ciągła)
Intensyfikację oraz zmniejszenie kontrastu zbioru rozmytego dobry uczeń przy
β=2 jest przedstawiono na rys. 1.15 a i b.
Rys.1.15. Funkcje przynależności: do zbioru rozmytego „dobry uczeń”(linia
przerywana) oraz intensyfikacja kontrastu (linia ciągła) – a i zmniejszenie
kontrastu – b (linia ciągła)
15
1.5. α-przekroje i zasada dekompozycji
Zbiór elementów, dla których funkcja przynależności przyjmuje wartości
większe lub równe α nosi nazwę α-przekroju (Aα) (ang. α-cuts). Wartość α
oczywiście powinna zawierać się w granicach [0,1]. α-przekroje są zbiorami
ostrymi o funkcji charakterystycznej równej 1 dla µA(x)≥α i 0 dla µA(x)<α:
1 μ A ( x )  α
χ Aα  
0 μ A ( x )  α
(1.31)
Przykład 1.6.
Na rys. 1.16 przedstawiono funkcję przynależności do zbioru rozmytego
człowiek średniego wzrostu i jego przekrój na poziomie α=0,8. Przekrój jest
zbiorem ostrym o funkcji charakterystycznej równej 1 w przedziale [160, 170].
Rys. 1.16. Funkcja przynależności do zbioru rozmytego „człowiek średniego
wzrostu” oraz funkcja charakterystyczna zbioru ostrego będącego przekrojem
dla α=0,8
Dowolny zbiór rozmyty A można, zgodnie z twierdzeniem o dekompozycji,
przedstawić jako sumę jego przekrojów [10]:
A  A
(1.32)
Funkcja przynależności może być, zgodnie z powyższym wzorem, traktowana
jako supremum z iloczynów α i funkcji charakterystycznych χAα(x):
 A ( x)  sup { A ( x) }
(1.33)
 [ 0,1]
Przykład 1.7. Na rys. 1.17 przedstawiono przybliżenie funkcji przynależności do
zbioru rozmytego średnie zarobki sumą przekrojów 0, 0,2; 0,4; 0,6; 0,8, 1.
Rys. 1.17. Przybliżenie funkcji przynależności do zbioru rozmytego „średnie
zarobki” zgodnie z zasadą dekompozycji
16
1.6. Zasada rozszerzania
Opisane w poprzednich podrozdziałach zbiory rozmyte określone zostały na
ostrym uniwersum X. Jeśli X jest dziedziną funkcji y=f(x) (f: X→Y), to zbiór
rozmyty A określony na uniwersum X przekształca się w zbiór rozmyty B
określony na uniwersum Y (B=f(A)). Jest to tzw. zasada rozszerzania (ang.
extension principle). Stopnie przynależności elementów y do zbioru B są
maksymalnymi wartościami stopni przynależności tych elementów z dziedziny
X, które są przekształcone w ten sam element y.
 sup μ A ( x ) gdy f -1 (y)  Ø

μ B ( y)  x  f 1 ( y)
(1.34)
-1
0
gdy f (y)  Ø

Przykład 1.8. Niech zbiór rozmyty A będzie określony w przestrzeni dyskretnej
[-3, -2, -1, 0, 1, 2, 3] (rys. 1.18):
A= 0,1/-3 + 0,5/-2 + 0,6/ -1 + 1/0 + 0,4/1 + 0,4/ 2 + 0,3/3
Rys. 1.18. Funkcja przynależności do przykładowego zbioru rozmytego A
określonego na dyskretnym uniwersum X
Zastosujmy funkcję y = f(x) = x2. Obliczmy wartości y dla wszystkich x
z uniwersum zbioru rozmytego A (tabela 1.1).
Tabela 1.1. Wartości funkcji y =f(x)= x2 odwzorowującej zbiór rozmyty A
w zbiór rozmyty B.
x
-3
-2
-1
0
1
2
3
y
9
4
1
0
1
4
9
Zgodnie z zasadą rozszerzania powstanie następujący zbiór B (rys. 1.19):
B = 1/0 + {max [μA(-1), μA(1)]}/1 + {max [μA(-2), μA(2)]}/4 + {max [μA(-3),
μA(3)]}/9 = 1/0 + {max (0,6; 0,4)} /1 + {max (0,5; 0,4)} / 4 + {max (0,1; 0,3)}
/9 = 1 /0 + 0,6 /1 + 0,5 / 4 + 0,3 / 9.
17
Rys. 1.19. Funkcja przynależności do zbioru rozmytego B utworzonego zgodnie
z zasadą rozszerzania zbioru A z rys. 1.18
ROZDZIAŁ 2
OPERACJE NA ZBIORACH ROZMYTYCH
2.1. Operacje standardowe...................................................................…..19
2.2. Normy trójkątne..................................................................................20
2.3. Normy parametryczne…………….…………………………………26
2.4. Operacje skompensowane…………………………………………...29
2.5. Dopełnienia………………………………………………………….30
2.6. Różnice zbiorów rozmytych………………………………………..32
2.7. Iloczyn kartezjański zbiorów rozmytych……………………………34
Operacje na zbiorach rozmytych
19
2.1. Operacje standardowe
Działania na zbiorach rozmytych sprowadzają się do operacji na funkcjach
przynależności. Proste zastąpienie funkcji charakterystycznych przez funkcje
przynależności pozwala zdefiniować standardowe operacje na zbiorach
rozmytych (ang. standard fuzzy operations): iloczynu, sumy i dopełnienia,
podobnie jak w układzie równań 1.2:
μ A ( x )  μ B ( x )  min[ μ A ( x ), μ B ( x )]
μ A ( x )  μ B ( x )  max[μ A ( x ), μ B ( x )]
(2.1)
μ A ( x )  1  μ A ( x )
Powyższe operacje noszą też nazwę mnogościowych.
Przykład 2.1.
Na rys. 2.1 przedstawione zostały przykłady standardowych operacji iloczynu
(rys. a) i sumy (rys. b) zbiorów rozmytych: niska (linia ciągła) i wysoka (linia
przerywana) cena komputera.
Rys.2.1. Operacje standardowe: iloczynu (a) i sumy (b) zbiorów rozmytych:
„niska” i „wysoka” cena komputera
Funkcja przynależności do zbioru niska jest typu L z parametrami: d=1 i g= 5 tys.
zł, natomiast do zbioru wysoka - Γ przy d=1 i g=6 tys. zł.
Nietrudno zauważyć, że zbiory rozmyte zachowują wszystkie własności
zbiorów ostrych z wyjątkami: wyłączonego środka i zaprzeczenia. Te ostatnie dla
zbiorów rozmytych przyjmują postać:
μ a ( x )  μ A ( x )  1 / 2
μ a ( x )  μ A ( x )  1 / 2
(2.2)
Dlatego też mnogość funkcji charakterystycznych nie tworzy algebry Boole’a
lecz de Morgana.
20
Przykład 2.2.
Utwórzmy zbiór rozmyty będący dopełnieniem do zbioru niska cena komputera
(linia przerywana na rys. 2.2) a następnie iloczyn i sumę standardową tego zbioru
i jego dopełnienia (linia przerywane na rys. 2.3). Zauważmy, że funkcja
przynależności do zbiorów będących iloczynem jest ≤1/2 natomiast sumą ≥1/2.
Rys. 2.2. Funkcje przynależności do zbioru rozmytego „niska” cena komputera
i dopełnienia mnogościowego (linia pogrubiona przerywana) do tego zbioru
Rys.2.3. Prawa zaprzeczenia (a) i wyłączonego środka (b) na przykładzie zbioru
rozmytego „niska” cena (funkcje przynależności do iloczynu i sumy
mnogościowej oznaczono liniami przerywanymi)
2. 2. Normy trójkątne
Opisane w poprzednim rozdziale iloczyny i sumy zbiorów rozmytych nie są
jedynymi możliwymi operacjami. Ogólnie iloczyn określa się jako t-normę
natomiast sumę jako s-normę lub t-konormę [10]. Można więc ogólnie zapisać:
 A B ( x)  T [  A ( x),  A ( x)]
(2.3)
 A B ( x)  S[  A ( x ),  A ( x)]
Funkcje stosowane do wyznaczania iloczynu (t-normy) i sumy (s-normy) noszą
nazwę norm trójkątnych. Niech będą dane trzy zbiory A, B, C. Dla uproszczenia,
21
w dalszej części opracowania, funkcje przynależności do tych zbiorów zostaną
oznaczone odpowiednio przez a, b, c. T-normy spełniać powinny następujące
aksjomaty:
1) Warunki brzegowe: T(a,1)=a oraz T(a,0)= 0. Jeśli funkcja przynależności
do któregokolwiek zbioru jest równa 1, to wynik jest równy funkcji
przynależności do drugiego zbioru. W przypadku gdy funkcja ta jest
równa 0 dla jednego ze zbiorów, wynik t-normy jest równy 0.
2) Przemienność: T(a,b)= T(b,a).
3) Monotoniczność: Jeśli a≤c to T(a,b) ≤ T(c,b)
4) Łączność: T[a,T(b,c)] = T[T(a,b),c].
Ostatnie trzy aksjomaty są takie same dla s-norm. Natomiast warunki brzegowe
dla s-norm są następujące: S(a,1)=1 oraz S(a,0) = a. Jeśli więc jedna z funkcji
przynależności jest równa 1 to wynik wynosi 1, jeśli natomiast któraś jest zerowa
wynik jest równy drugiej.
Oczywiście przedstawione w poprzednim podrozdziale operacje mnogościowe
iloczynu i sumy zaliczają się odpowiednio do grup: t-norm lub s-norm.
W literaturze są nazywane normami Zadeha. Często stosowana jest t-norma
algebraiczna:
Talgebr(a,b) = a ∙b
(2.4)
Odpowiednia operacja sumy jest nazywana s-normą probabilistyczną i jest
wyznaczana zgodnie ze wzorem:
Sprobabil(a,b) = a+b - a∙b
(2.5)
Przykład 2.3.
Wyniki działania s-normy algebraicznej (a) i s-normy probabilistycznej (b) dla
zbiorów rozmytych niska oraz wysoka cena komputera z przykładu 2.1 jest
przedstawiony na rys. 2.4 (linie pogrubione).
Rys. 2.4.Operacje t-normy algebraicznej (a) i s-normy probabilistycznej (b) na
zbiorach rozmytych: „niska” i „wysoka” cena komputera
Nazwy kolejnej pary norm pochodzą od nazwiska polskiego uczonego
Łukaszewicza, twórcy logiki wielowartościowej. Bywają też nazywane
w literaturze operacjami logicznymi.
22
TŁukaszewicza(a, b) = max(a + b -1, 0)
SŁukaszewicza(a, b) = min (a+b, 1)
(2.6)
(2.7)
Przykład 2.4.
Na rys. 2.5 przedstawiono wyniki działania t-normy (a) i s-normy (b)
Łukaszewicza na zbiory wysoka oraz niska cena komputera. Funkcje
przynależności do zbioru wysoka są na rys. 2.5 a i b funkcjami Γ1,6. Funkcja
przynależności do zbioru niska na rys. a jest typu L z parametrami d=1 i g=5,
natomiast na rys. b – również typu L lecz z parametrami d=1, g=7. Funkcja
przynależności na rys. 2.5 a do zbioru będącego wynikiem działania t-normy
Łukaszewicza przyjmuje wartość zerową w całym zakresie. Osiąga ona wartości
niezerowe tylko wtedy, gdy suma funkcji przynależności do obu zbiorów jest
większa od 1 (rys. 2.5 b). S-norma Łukaszewicza (suma) na rys. 2.5 b przyjmuje
wartość 1 w całym uniwersum, gdyż a+b≥1.
Rys.2.5. Operacje logiczne: iloczynu i sumy zbiorów rozmytych: „niska”
i „wysoka” cena komputera. Parametry funkcji Γ na rys. a i b są takie same.
Dla funkcji L na rys. a d=1 i g=5, natomiast na rys. b: d=1, g=7 tys. zł
Operacje drastyczne można zapisać następującymi wzorami:
min( a, b) gdy max(a, b)  1
Tdrast  
dla pozostałych
0
max( a, b) gdy min(a, b)  0
S drast  
dla pozostałych
1
(2.8)
(2.9)
Przykład 2.5.
Dla porównania
dla tych samych zbiorów rozmytych, co na rys. 2.5
przedstawiono wyniki operacji drastycznych (rys. 2.6). Funkcja przynależności
do iloczynu drastycznego na rys. 2.6 a jest zerowa w całym zakresie, ponieważ
max(a, b) = 1 tylko dla min(a, b) = 0. Funkcja przynależności dla sumy
drastycznej (rys. 2.6 b) jest równa 1 w całym zakresie, gdyż max(a, b) =1 dla
min(a, b) = 0.
23
Rys. 2.6. Operacje drastyczne: iloczyn i suma zbiorów rozmytych: „niska”
i „wysoka” cena komputera. Parametry funkcji Γ na rys. a i b są takie same. Dla
funkcji L na rys. a : d=1 i g=5, natomiast na rys. b: d=1, g=7 tys. zł
Często stosowanymi operacjami są również t-normy i s-normy Fodora, które
wyliczane są wg następujących wzorów:
gdy a  b  1
min( a, b)
TFodora  
(2.10)
gdy a  b  1
0
max(a, b) gdy a  b  1
S Fodorat  
gdy a  b  1
1
(2.11)
Przykład 2.6.
Na rys. 2.7 przedstawiono porównanie t-normy i s-normy Fodora dla zbiorów
rozmytych niska oraz wysoka cena komputera. Funkcja przynależności do zbioru
niska jest klasy L z parametrami d=2, g=6 tys. zł, natomiast do zbioru wysoka
typu Γ z wartościami d=1 i g=8 tys. zł.
Rys. 2.7. T-norma i s-norma Fodora na zbiorach rozmytych: „niska”
i „wysoka” cena.. Parametry funkcji Γ: d=1, g= 8 tys. zł, L: d= 2 i g=6 tys. zł
24
Do norm trójkątnych zalicza się również normy Einsteina, które są definiowane
następującymi wzorami:
ab
TE (a , b) 
(2.12)
2  (a  b  ab)
ab
S E (a , b) 
(2.13)
1  ab
Przykład 2.7.
Na rys. 2.8 przedstawiono porównanie t-normy i s-normy Einsteina dla zbiorów
rozmytych niska oraz wysoka cena komputera z przykładu 2.6
Rys. 2.8. T-norma i s-norma Einsteina dla zbiorów rozmytych „niska”
i „wysoka” cena komputera
Normy trójkątne można przedstawić graficznie w postaci trójwymiarowych
wykresów. Jak łatwo zauważyć kształty tych wykresów uzasadniają nazwę normy
trójkątne.
Rys.2.9. T-norma i s-norma Zadeha
Rys.2.10. T-norma algebraiczna i s-norma probabilistyczna
Rys.2.11. T-norma i s-norma Łukaszewicza
Rys.2.12. T-norma i s-norma drastyczna
25
26
Rys.2.13. T-norma i s-norma Fodora
Rys. 2.14. T-norma i s-norma Einsteina
2.3. Normy parametryczne
Opisane w poprzednich podrozdziałach normy trójkątne nie są jedynymi
operacjami na zbiorach rozmytych. Stosowane są również funkcje, których
wyniki można zmieniać w zależności od wartości użytych parametrów. W tym
podrozdziale zostaną przedstawione niektóre z nich.
Przykładami funkcji tego typu są normy Yagera, definiowane wzorami:
1


Ty (a , b)  1  min 1, [(1 - a) w  (1  b) w ] w 


1


S y (a , b)  min 1, (a w  b w ) w 


(2.14)
Parametr w jest liczbą rzeczywistą dodatnią. Przy w→0 operacje te
przechodzą w drastyczne, dla w=1 stają się normami Łukaszewicza, jeśli zaś
27
w→∞ normami Zadeha.
Przykład 2.8.
Na rys.2.15 przedstawiono t-normy (YT) oraz s-normy Yagera przy w =0,5
i w =1 dla przykładowych zbiorów rozmytych młody człowiek i człowiek
w średnim wieku. Zbiory te scharakteryzowano odpowiednio funkcją L (młody)
z parametrami d=30 i g=70 lat oraz Λ (w średnim wieku) z d=20, c=45, g=80 lat.
Rys.2.15. T-normy (YT) i s-normy (YS) Yagera przy wartościach w=0,5 i w=1
dla zbiorów rozmytych „młody człowiek ” i „człowiek w średnim wieku”.
Funkcja L (młody) ma parametry d=30 oraz g=70 lat, Λ (w średnim wieku)
d=20, c=45, g=80 lat
Na rys. 2.16 przedstawiono trójwymiarowy wykres norm Yagera przy w =0,5.
Jak widać normy te nie są trójkątne dla wszystkich w.
Rys. 2.16. T-norma i s-norma Yagera przy w=0,5
Parametrycznymi operacjami są także normy Hamachera (z parametrem r).
28
Można je przedstawić następującymi wzorami:
ab
r  (1  r )(a  b  ab)
a  b  (r  2)ab
S H ( a, b) 
1  (r  1) ab
TH ( a, b) 
(2.15)
Przykład 2.9.
Na rys. 2.17 przedstawiono t-normy oraz s-normy Hamachera dla zbiorów
rozmytych z przykładu 2.7 przy parametrach r=1 i r=20.
Rys.2.17. T-normy (TH) i s-normy (SH) Hamachera przy wartościach r=1
i r=20 dla zbiorów rozmytych „młody człowiek ” i „człowiek w średnim wieku”.
Funkcja L (młody) ma parametry d=30 oraz g=70 lat, Λ (w średnim wieku)
d=20, c=45, g=80 lat
Normy Sugeno można przedstawić następującymi wzorami:
TSugeno (a , b)  max [0, (1  α)  (a  b  1)  αab]
SSugeno (a , b)  min [1, a  b - αab]
(2.16)
We wzorach 2.16 parametr α ≥ -1. Jeśli przyjmuje on wartość -1 normy te stają
się operacjami algebraicznymi, przy α = 0 przechodzą w logiczne a przy α→∞
drastyczne.
Rys 2.18. T-norma i s-norma Sugeno przy α = 4
29
Na rys. 2.18 przedstawiony został trójwymiarowy wykres norm Sugeno przy α=4.
Przykład 2.10.
Porównajmy wynik t-normy i s-normy Sugeno przy α=4 dla zbiorów rozmytych
z przykładu 2.8 (rys. 2.19).
Rys.2.19. T-normy (TS) i s-normy (SS) Sugeno przy α=4 dla zbiorów
rozmytych „młody człowiek ” i „człowiek w średnim wieku”. Funkcja L (młody)
ma parametry d=30 oraz g=70 lat, Λ (w średnim wieku) d=20, c=45, g=80 lat
W literaturze znaleźć można inne normy parametryczne: Franka, Dubois
i Prade’a, Schweizera i Sklara, Dombiego, Webera, Yu. Nie zostaną opisane
w tym skrypcie, a zainteresowanych Czytelników odsyłam do literatury.
2.4. Operacje skompensowane
W pracy Zimmermana i
Zysno wprowadzone zostały operacje
skompensowane (ang. compensatory), w których parametr decyduje, czy dana
operacja jest zbliżona do t-normy czy s-normy. Zdefiniowane zostały dwa
rodzaje tych operacji: wykładnicza oraz liniowa. Wykładniczą określono
wzorem:
O e (a , b)  T(a, b)  (1 γ ) [S(a , b)]γ
(2.17)
Natomiast kombinacja liniowa została zdefiniowana następująco:
O c (a , b)  (1  γ)T(a , b)  γS(a, b)
(2.18)
We wzorach 2.17 i 2.18 parametr γ [0, 1] decyduje o stopniu podobieństwa do
t-normy lub s-normy. T(a, b) i S(a, b) oznaczają odpowiednio dowolną t-normę
oraz s-normę.
Przy zastosowaniu t-normy algebraicznej i s-normy probabilistycznej otrzymamy
na podstawie wzoru 2.17 tzw. operator Zimmermana:
O a (a, b)  (a  b)1- y  (a  b  ab)   ( a  b)1 [1  (1  a )  (1  b)]
(2.19)
Przykład 2.11.
Niech będą dane dwa zbiory rozmyte niska i średnia frekwencja wyborcza
przedstawione funkcjami π25, 25 oraz π25, 50. Na rys. 2.20 zilustrowano operacje
30
Zimmermana przy y = 0; 0,5; 0,9; 1. Dla γ = 0 operator określony wzorem 2.19
staje się t-normą algebraiczną. Wraz ze wzrostem γ zbliża się coraz bardziej do snormy probalistycznej. Staje się nią przy γ=1.
Rys.2.20. Ilustracja operacji kompensacyjnych wyrażonych wzorem 2.19 dla
zbiorów rozmytych „niska” i „średnia” frekwencja wyborcza modelowanych
funkcjami π25, 25 oraz π25, 50
2. 5. Dopełnienia
W podrozdziale 2.1 zostało zdefiniowane dopełnienie standardowe do zbioru
rozmytego. W sensie lingwistycznym dopełnienie do zbioru rozmytego A
oznacza zbiór „nie A” i dlatego nazywane jest też negacją. Można zapisać
ogólnie:
μ A ( x )  n (μ A ( x )
(2.20)
Funkcja negacji powinna spełniać następujące warunki:
1) Powinna być funkcją ściśle malejącą, co oznacza, że jeśli funkcja
przynależności do zbioru rozmytego rośnie to funkcja przynależności do
jego dopełnienia maleje.
2) Powinna być funkcją ciągłą.
3) Dopełnienie z dopełnienia do zbioru rozmytego A powinno być równe
temu zbiorowi.
(A )  A
Funkcja negacji jest ścisła (ang. strict negation), jeśli spełnia warunki 1 i 2,
natomiast, jeśli spełnia wszystkie trzy warunki nazywana jest silną (ang. strong
negation). Najczęściej stosowane dopełnienie standardowe jest silną negacją.
Znane są także dopełnienia parametryczne: Sugeno i Yagera.
Dopełnienie Sugeno określa funkcja przynależności wyrażona wzorem
zawierającym parametr λ>-1:
1  μ A (x)
μ SA ( x ) 
(2.21)
1  λμ A ( x )
31
Łatwo zauważyć, że dla λ=0 wzór 2.21 definiuje dopełnienie standardowe. Na
rys. 2.21 przedstawiono zależności funkcji przynależności do dopełnienia Sugeno
od stopnia przynależności do zbioru rozmytego dla różnych wartości parametru λ.
μ SA
1
0,8
8
2
0,6
0
0,4
-0,7
-0,9
0,2
0
0
0,2 0,4 0,6 0,8
1
μA
Rys. 2.21. Dopełnienie Sugeno dla parametrów λ = -0,9;-0,7; 0; 2; 8
Przykład 2.12.
Przedstawmy na wykresach funkcję przynależności dopełnienia Sugeno do zbioru
dobry uczeń o gaussowskiej funkcji przynależności (rys. 2.22)
Rys. 2.22. Dopełnienia Sugeno (linia pogrubiona) do zbioru rozmytego „dobry
uczeń” przy wartościach parametru λ = -0,9; 0; 8
Dopełnienie do zbioru rozmytego dobry uczeń osiąga duże wartości stopnia
przynależności dla x dużo mniejszego i dużo większego od 4, co oznacza, że do
zbioru rozmytego nie dobry uczeń należą uczniowie średni i bardzo dobrzy.
Innym rodzajem dopełnienia parametrycznego jest dopełnienie Yagera.
Funkcja przynależności dla tej operacji wyraża się wzorem:
μ YA ( x )  {1  [μ A ( x )] y }1 / y
(2.22)
Występujący we wzorze 2.22 parametr y powinien być większy od 0 (y>0). Na
rys. 2.23 przedstawiono zależności stopni przynależności do dopełnienia Yagera
od stopni przynależności do zbioru rozmytego.
32
μ YA
1
5
0,8
2
0,6
1
0,4
0,7
0,2
0,4
0
0
0,2 0,4 0,6 0,8
1
μA
Rys. 2.23. Dopełnienia Yagera dla parametrów y = 0,4; 0,7; 1; 2; 5
Przy wartości parametru y=1 dopełnienie Yagera przechodzi w standardowe.
Przykład 2.13.
Na rys. 2.24 przedstawiono na wykresach dopełnienia Yagera (linie pogrubione)
do zbioru rozmytego dobry uczeń dla parametrów y=0,4; 1; 5.
Rys. 2.24. Dopełnienia Yagera do zbioru rozmytego „dobry uczeń”(linie
pogrubione) przy wartościach parametru y =0,4; 1; 5
2.6. Różnice zbiorów rozmytych
Różnicą (A/B) zbiorów ostrych jest zbiór elementów należących do
zbioru A i nie należących do zbioru B. Różnice zbiorów rozmytych otrzymuje się
w wyniku działań na funkcjach przynależności. Odpowiednie główne operacje na
zbiorach rozmytych mają również swoje odpowiedniki w operacjach różnic.
Podstawową i najczęściej stosowaną jest różnica standardowa określona wzorem:
μ A / B  min[ μ A ( x ), 1  μ B ( x )]
(2.23)
33
Można również wyznaczać różnicę posługując się operacją logiczną. Otrzymana
operacja nosi nazwę różnicy ograniczonej:
μ A / B ograniczon a  max[0, μ A ( x )  μ B ( x )]
(2.24)
Różnica algebraiczna zbiorów rozmytych jest wyznaczana na podstawie wzoru:
μ A / B a lg ebraiczna  μ A ( x )  [1  μ B ( x )]
(2.25)
Można również wyznaczać różnicę drastyczną według wzoru:
dla μ A ( x )  1 i μ B ( x )  0
0

μ A / B drastyczna  μ A ( x )
dla μ B ( x )  0
1  μ ( x ) dla μ ( x )  1
B
A

Przykład 2.14.
Porównajmy różnice zbiorów
przedstawione na rys. 2.25.
rozmytych
niska
i
wysoka
(2.26)
temperatura
Rys. 2.25. Porównanie różnic (linia pogrubiona) zbiorów rozmytych „niska”
i „wysoka” temperatura
W teorii zbiorów rozmytych definiowane są również różnice symetryczne
odpowiadające w języku naturalnym sformułowaniom „albo- albo”. Najczęściej
stosowaną różnicę symetryczną zdefiniowano następującym wzorem:
 A  B ( x)   A ( x )   B ( x)
(2.27)
34
Stosowana jest także różnica symetryczna mnogościowa, określana wzorem:
A  B  ( A  B )  ( A  B )
(2.28)
Rys. 2.26. Różnice symetryczna (a) i symetryczna mnogościowa (b) zbiorów
rozmytych „niska” i „wysoka” temperatura
2.7. Iloczyn kartezjański zbiorów rozmytych
Iloczyn kartezjański zbiorów rozmytych A  B jest określony poprzez
funkcje przynależności dla każdej pary elementów z obu zbiorów. Są one
wyznaczane jako t-normy stopni przynależności do A i B:
T
μ A  B ( x , y)  μ A ( x )  μ B ( y )
A  X, B  Y
(2.29)
Najczęściej stosowanymi przy wyznaczaniu iloczynu kartezjańskiego t-normami
są: iloczyn mnogościowy oraz iloczyn algebraiczny (odpowiednie wzory 2.30
i 2.31).
μ AB ( x , y)  min[ μ A ( x ), μ B ( y)]
A  X, B  Y
(2.30)
μ AB ( x, y)  μ A ( x )μ B ( y)
A  X, B  Y
(2.31)
Przykład 2.15.
Wyznaczmy iloczyn kartezjański dwóch dyskretnych zbiorów rozmytych A i B
określonych na uniwersum {3, 4, 5, 6}  {-1, 0, 2}:
A = 0,1/3 +0,4/4 +1/5 + 0,7/6,
B = 0,3/-1 +1/0+0,5/2
Iloczyn kartezjański tych zbiorów po zastosowaniu standardowej t-normy będzie
miał postać:
A  B = 0,1/(3, -1) + 0,1/(3, 0) + 0,1/(3, 2) + 0,3/(4, -1) + 0,4/(4, 0) + 0,4/(4, 2) +
0,3/(5, -1) + 1/(5, 0) + 0,5/(5, 2) + 0,3/(6, -1) + 0,7/(6, 0) + 0,5/(6, 2).
Jeśli, jako t-normę zastosujemy iloczyn (wzór 2.31) otrzymamy:
A  B = 0,03/(3, -1) + 0,1/(3, 0) +0,05/(3, 2) + 0,12/(4, -1) + 0,4/(4, 0) +0,2/(4, 2)
+ 0,3/(5, -1) + 1/(5, 0) + 0,5/(5, 2) + 0,21/(6, -1) + 0,7/(6, 0) + 0,35/(6, 2).
ROZDZIAŁ 3
RELACJE ROZMYTE
3.1. Relacje ostre i rozmyte………………………………………………..36
3.2. Podstawowe działania na relacjach rozmytych……………………….37
3.3. Relacje binarne określone na pojedynczym zbiorze………………….39
3.4. Projekcja i rozszerzenie cylindryczne………………………………...41
36
Relacje rozmyte
3.1. Relacje ostre i rozmyte
Relacja ostra określa istnienie lub brak związku, oddziaływania czy
połączenia pomiędzy elementami dwu lub więcej zbiorów. W takim
konwencjonalnym podejściu nie można zdefiniować siły (wagi) tych zależności.
Koncepcja relacji rozmytych pozwala przyporządkować do danego połączenia
elementów stopień przynależności na tej samej zasadzie, jak w przypadku
zbiorów rozmytych.
Relacja pomiędzy elementami zbiorów ostrych X1, X2,…, Xk jest podzbiorem
iloczynu kartezjańskiego: R ( X 1 , X 2 , ..., X k )  X 1  X 2  ...  X k . Ponieważ może
być traktowana jako zbiór, podstawowe działania, takie, jak suma, przecięcie
(iloczyn), dopełnienie, zawieranie, z pewnymi modyfikacjami mają zastosowanie
do relacji. Tak więc w podejściu klasycznym (ostrym) może być definiowana
funkcją charakterystyczną χ, która przyjmuje wartość 1 lub 0 (istnienie lub brak
związku). Relacja rozmyta jest zbiorem rozmytym określonym na iloczynie
kartezjańskim zbiorów ostrych. Dla uproszczenia rozpatrzmy relację
dwuwymiarową R(x, y). Niech będą dane dwa zbiory ostre X i Y. Relację
rozmytą można przedstawić jako zbiór uporządkowanych par:
R( x, y )  {( x, y ),  R ( x, y )}
x  X, y  Y  R ( x, y )  [0,1] (3.1)
Tak więc każdej parze elementów jest przyporządkowany stopień przynależności,
określający powiązanie między nimi. Jeśli zbiory X i Y składają się
ze skończonej liczby elementów, relacja rozmyta może być zobrazowana
w postaci macierzy:
Jeśli funkcje przynależności przyjmują tylko jedną z dwu wartości 0 lub 1 relacja
rozmyta przechodzi w ostrą. Dla zilustrowania różnicy pomiędzy relacją ostrą
i rozmytą przeanalizujmy następujący przykład.
Przykład 3.1.
Niech będą dane dwa zbiory: kobiety i mężczyźni. Zarobki kobiet w zł wynoszą:
Anna - 2500, Ewa – 3500, Iza – 4500; mężczyzn: Adam - 2500, Jan – 3600,
Robert – 4100, Hubert - 4900. Relacja ostra kobieta zarabiająca tyle samo
co mężczyzna będzie określona funkcjami charakterystycznymi przedstawionymi
w macierzy:
Relacje rozmyte
37
Występuje tu tylko jedna jedynka, a pozostałe funkcje charakterystyczne są
zerami. Utwórzmy relację rozmytą dobierając funkcje charakterystyczne według
zasady: µR=1-│zarobki kobiety – zarobki mężczyzny│/2000 (jeśli µR≥0
w przeciwnym razie 0). Otrzymamy relację rozmytą kobieta zarabiająca
porównywalnie z mężczyzną, którą przedstawia macierz:
Relacja rozmyta może być przedstawiana w postaci grafu rozmytego.
Przykład 3.2.
Przedstawmy w postaci grafu relację rozmytą z przykładu 3.1.
Rys. 3.1. Graf rozmyty relacji z przykładu 3.1
3.2. Podstawowe działania na relacjach rozmytych
Relacje rozmyte można traktować jako wielowymiarowe zbiory rozmyte
i przeprowadzać na nich operacje właściwe dla tych zbiorów.
Przykład 3.3.
Oznaczmy w przykładzie poprzednim przez x – staż pracy kobiet, który dla Anny
wynosi 10 , Ewy – 30, Izy -20 lat, a przez y staż pracy mężczyzn ze zbioru
{Adam – 10, Jan -5, Robert – 20, Hubert – 15 lat)
Utwórzmy relację rozmytą T kobieta o dłuższym stażu pracy niż mężczyzna
38
Relacje rozmyte
i przeprowadźmy podstawowe działania na relacjach R (przykład 3.2) i T.
Relacja kobieta o nie dłuższym stażu niż mężczyzna będzie dopełnieniem do
relacji T. Jeśli zastosujemy operację mnogościową uzyskamy następującą postać
relacji rozmytej ⌐T:
Relacja złożona kobieta o dłuższym stażu i zarabiająca porównywalnie
z mężczyzną będzie wynikiem działania t-normy na relacje T i R, natomiast
relacja rozmyta kobieta o porównywalnych zarobkach mężczyzną lub nie
dłuższym stażu pracy niż mężczyzna będzie wynikiem działania s-normy na
relacje R i ⌐T. Jeśli zastosujemy działania mnogościowe w wyniku otrzymujemy:
W praktycznych zastosowaniach szczególne znaczenie ma złożenie zbioru
rozmytego (A  X) i relacji rozmytej (R  X  Y) . Jest nim zbiór rozmyty
(B  Y) zdefiniowany następująco:
BAR
(3.3)
Funkcja przynależności do złożenia zbioru rozmytego i relacji rozmytej wyraża
Relacje rozmyte
39
się wzorem:
T
μ B ( y)  sup{μ A ( x )  μ R ( x , y)}
(3.4)
xX
Jeśli uniwersum X jest zbiorem o skończonej liczbie elementów i zastosowana
jest mnogościowa t-norma, wzór 3.4 przechodzi w 3.5:
μ B ( y)  max{min[ μ A ( x ), μ R ( x, y)]}
(3.5)
xX
Przykład 3.4.
Przyjmijmy X={x1, x2} oraz Y= {y1, y2, y3} i utwórzmy zbiór rozmyty A = 0,4/x1
+1/x2 na uniwersum X oraz relację S:
W wyniku złożenia zbioru rozmytego A i relacji rozmytej S powstaje zbiór B:
B = µB(y1) / y1 + µB(y2) / y2 + µB(y3) / y3
Przy zastosowaniu mnogościowej t-normy funkcje przynależności do zbioru B
będą odpowiednio równe:
µB(y1) = max [min(0,4; 1); min(1; 0,5)] = max [0,4; 0,5] = 0,5
µB(y2) = max [min(0,4; 0,6); min(1; 0,1)] = max [0,4; 0,1] = 0,4
µB(y3) = max [min(0,4; 1); min(1, 0,7)] = max [0,4; 0,7] = 0,7
W rezultacie otrzymujemy zbiór rozmyty:
B = 0,5 / y1 + 0,4 / y2 + 0,7 / y3
Ważnymi działaniami są również złożenia relacji. Złożeniem typu supremum-Tnorma relacji rozmytych R(x, y) i S(y, z) jest relacja R  S o funkcjach
przynależności określonych wzorem:
T
μ R S ( x, z )  sup[μ R ( x , y)  μ S ( y, z)]
(3.6)
yY
Stosowane jest także złożenie typu infimum-S-norma określone następująco:
S
μ R S ( x , z)  inf [μ R ( x , y)  μ S ( y, z)]
yY
(3.7)
W przestrzeniach przeliczalnych supremum przechodzi w maksimum a infimum
w minimum.
3.3. Relacje binarne określone na pojedynczym zbiorze
Binarne relacje mogą być definiowane nie tylko na dwóch zbiorach X i Y lecz
także na pojedynczym zbiorze X (R(X, X)). Można wyróżnić kilka typów takich
relacji o różnych własnościach. Podstawowe własności relacji to zwrotność (ang.
reflexivity), symetryczność (ang. symmetry) i przechodniość (transitivity) (rys.
3.2).
Relacje rozmyte
40
Rys. 3.2. Charakterystyczne składniki relacji zwrotnych, symetrycznych
i przechodnich
Relacja rozmyta jest zwrotna, jeśli dla wszystkich x, 0 < ε <1:
µR(x, x)≥ε
(3.8)
Relacja rozmyta jest symetryczna, jeśli dla wszystkich wartości xi, xj
( x i  X, x j  X)
μ R (x i , x j )  μ R (x j , x i )
Jeśli dla wszystkich x spełniona jest nirówność
μ R (x i , x j )  μ R (x j , x i )
(3.9)
(3.10)
to relacja jest niesymetryczna. Niesymetryczna relacja spełniająca dodatkowo
warunek, że
μ R ( x i , x j )  0 i μ R ( x j , x i )  0  xi = x j
(3.11)
nazywana jest antysymetryczną.
Relacja rozmyta jest przechodnia (lub dokładniej max-min przechodnia),
jeśli:
μ R ( x i , x k )  max min[ μ R ( x i , x j ), μ R ( x j , x k )]
(3.12)
Rozmyta relacja zwrotna, symetryczna i przechodnia nazywana jest relacją
równoważności (ang. equivalence relation).
Przykład 3.5.
Utwórzmy rozmytą relację równoważności określoną na zbiorze {a, b, c, d}.
a
b c d
a  1 0,8 0 0, 4
b  0,8 1 0 0, 4
R
c 0
0 1 0


d 0,4 0,4 0 1 
Dla każdego elementu a, b, c, d jest spełniony warunek 3.8 przy ε=1. Łatwo
sprawdzić, że spełniony jest warunek 3.9. Dla przykładowych elementów b, d
otrzymamy µR(b, d) = 0,4 = µR(d, b). Sprawdźmy, czy spełniony jest warunek
przechodniości dla elementów a, c, d: µR(a, d) = 0,4 > max min [µR(a, c), µR(c,d)]
= max min [0, 0] = 0.
Relacja rozmyta zwrotna i symetryczna jest nazywana relacją zgodności (ang.
compatibility relation) lub tolerancji (ang. tolerance relation).
Relacje rozmyte
41
Przykład 3.6.
Utwórzmy relacje zgodności określoną na zbiorze liczb {5, 6, 7, 8}
5
6 7
8
5
6
 1 0,7 0,5 0,3
0,7 1 0,7 0,5

R 
7  0,5 0,7 1 0,7


8  0,3 0,5 0,7 1 
Łatwo sprawdzić, że relacja ta jest zwrotna i symetryczna. Nie jest natomiast
przechodnia, gdyż dla przykładu µR(5, 8) = 0,3 < min [µR(5, 6), µR(6,8)] = min
[0,7; 0,5] = 0,5.
Oddzielną grupę stanowią relacje przechodnie zwane też rozmytymi
relacjami porządku (ang. ordering fuzzy relation). Jeśli relacja jest przechodnia,
a przy tym antysymetryczna i antyzwrotna, to jest nazywana relacją ścisłego
porządku. Relacja przechodnia i antysymetryczna jest relacją częściowego
porządku.
W tabeli 3.1 zebrano własności głównych typów relacji rozmytych.
Tabela 3.1. Główne typy relacji rozmytych R(X,X)
3.4. Projekcja i rozszerzenie cylindryczne
Projekcja (ang. projection) pozwala na uzyskanie relacji o mniejszym
wymiarze. W przypadku relacji dwuwymiarowej utworzonej na iloczynie
kartezjańskim X  Y możemy utworzyć projekcje na przestrzeń X lub Y.
Projekcja na przestrzeń X wyraża się wzorem:
 xX
Pr oj X (B)  sup μ B ( x, y) / x
(3.13)
X
Projekcję na przestrzeń Y przedstawia wzór:

Pr oj Y (B)  sup μ B ( x , y) / y
(3.14)
Y yY
Projekcja może być interpretowana, jako cień relacji rozmytej na określoną oś
układu współrzędnych.
Przykład 3.7.
Utwórzmy dwie projekcje relacji rozmytej R z przykładu 3.1 (kobieta zarabiająca
porównywalnie z mężczyzną). Projekcja na zbiór kobiety ma postać:
Relacje rozmyte
42
Projkobiety(R) = 1/Anna + 0,95/Ewa + 0,8/Iza
Projekcja na zbiór mężczyźni:
Projmężczyźni(R) = 1/ Adam + 0,95/Jan +0,8/Robert + 0,8/Hubert
Rozszerzenie cylindryczne (ang. cylindric extension) pozwala na uzyskanie
zbioru lub relacji rozmytej o większej wymiarowości:
Ce(A) 
 μ A (x) /(x, y)
(3.15)
XY
Przykład 3.8.
Niech będzie dany zbiór rozmyty A utworzony w przestrzeni dyskretnej {x1, x2,
x3}: A = 0,1/x1 + 0,9/x2 + 0,3/x3. Utwórzmy rozszerzenie cylindryczne tego
zbioru na przestrzeń dyskretną {y1, y2}:
Ce(A) = 0,1/(x1, y1) + 0,9/( x2, y1) + 0,3/( x3, y1) + 0,1/(x1, y2) + 0,9/( x2, y2) +
0,3/( x3, y3)
ROZDZIAŁ 4
ARYTMETYKA ROZMYTA
4.1. Liczby rozmyte.....................................................................................44
4.2. Arytmetyka liczb rozmytych................................................................45
4.3. Liczby trójkątne………………………………………………...…….48
4.4. Porównywanie liczb rozmytych...........................................................49
4.5. Liczby LP………………………………………………...……….….50
4.6. Działania na liczbach LP…………………………………………......51
Arytmetyka rozmyta
44
4.1. Liczby rozmyte
Szczególnym rodzajem zbiorów rozmytych są liczby oraz przedziały rozmyte.
Liczbą rozmyta jest zbiór rozmyty o ograniczonym nośniku w dziedzinie liczb
rzeczywistych, normalny (czyli o wysokości równej 1) oraz wypukły.
Zbiór rozmyty jest wypukły, jeśli dla dowolnych punktów x1, x2 oraz dowolnej
liczby λ zawierającej się w przedziale [0,1] spełniony jest warunek:
 [x1  (1   ) x 2 ]  min[  ( x1 ),  (x 2 )
(4.1)
Przykład 4.1.
Na rys. 4.1 przedstawiono przykłady zbiorów rozmytych, które nie są liczbami
rozmytymi. Zbiór na rys. 4.1a nie jest liczbą rozmytą ponieważ jego wysokość
nie jest równa 1, natomiast zbiór na rys. 4.1b nie jest wypukły.
Rys. 4.1. Przykładowe zbiory rozmyte, które nie są liczbami rozmytymi
Liczby rozmyte można podzielić na: dodatnie, ujemne i mieszane.
Przykład 4.2.
Na rys. 4.2 przedstawiono trzy przykładowe liczby: ujemną „około -6”, mieszaną
„około 1” oraz dodatnią „około 7”
Rys. 4.2. Przykładowe liczby rozmyte: od lewej ujemna -6, mieszana 1,
dodatnia 7
Wszystkie przedstawione na rys. 4.2 liczby są trójkątne. Są one często stosowane
Arytmetyka rozmyta
45
ze względu na łatwość ich dodawania i odejmowania. Szczególny typ liczb
rozmytych stanowią przedziały rozmyte.
Przykład 4.3.
Nieprecyzyjne sformułowanie „cena owoców waha się od około 3 do około 5
złotych” można przedstawić przy zastosowaniu przedziału rozmytego
przedstawionego na rys. 4.3.
Rys. 4.3. Przedział rozmyty
[[3,5]].
4.2. Arytmetyka liczb rozmytych
Podstawowe działania arytmetyczne na liczbach rozmytych wynikają
bezpośrednio z zasady rozszerzania opisanej w rozdziale 1. Jeżeli dane są dwie
liczby rozmyte A, B to działania na nich mogą być traktowane, jako
odwzorowanie zbiorów rozmytych A, B przy pomocy odpowiednich funkcji:
z= f(x, y) = x + y przy dodawaniu, z= f(x, y ) = x - y przy odejmowaniu,
z= f(x, y) = x ∙ y przy mnożeniu i z= f(x, y ) = x : y przy dzieleniu. Należy przy
tym pamiętać, że dziedziną z jest, podobnie jak x i y zbiór liczb rzeczywistych.
Tak więc, działania na liczbach rozmytych sprowadzają się do wyznaczenia
funkcji przynależności zgodnie z wzorami:
T
μ A  B ( z)  sup [μ A ( x )  μ B ( y)]
(4.2)
zx  y
T
μ A  B ( z)  sup [μ A ( x )  μ A ( y)]
(4.3)
zx-y
T
μ A B (z )  sup [μ A ( x )  μ B ( y)]
(4.4)
z  xy
T
μ A / B ( z)  sup [μ A ( x )  μ B ( y)]
(4.5)
zx / y
Interesujące ze względu na praktyczne zastosowania są liczby rozmyte o ciągłych
funkcjach przynależności. Tylko dla lepszego zrozumienia działań 4.2 - 4.5
w przykładzie 4.4 zostały zastosowane funkcje dyskretne.
Przykład 4.4.
Niech będą dane dwie liczby rozmyte A – około 4 i B – około 2:
Arytmetyka rozmyta
46
A = 0,4/3 + 1/4 + 0,3/6
B = 0,2/1 + 1/2 + 0,4/3
Przy zastosowaniu jako t-normy operacji minimum dla odpowiednich par x, y
otrzymamy wartości zawarte w tabeli 4.1. Pogrubiono liczby, dla których funkcja
przynależności jest równa 1.
Tabela 4.1. Wyniki obliczeń dla liczb rozmytych A i B
x
3
3
3
4
4
4
6
6
6
y
1
2
3
1
2
3
1
2
3
x+y
4
5
6
5
6
7
7
8
9
x-y
2
1
0
3
2
1
5
4
3
xy
3
6
9
4
8
12
6
12
18
x/y
3
1,5
1
4
2
1,3
6
3
2
min[µA(x), µB(y)]
0,2
0,4
0,4
0,2
1
0,4
0,2
0,3
0,3
μ A  B  max[0,2] / 4  max[0,4; 0,2]/5  max[0,4; 1]/6  max[0,4; 0,2]/7
 max[0,3]/8  max[0,3]/9  0,2/4  0,4/5  1/6  0,4/7  0,3/8  0,3/9
μ A  B  max[0,4] / 0  max[0, 4; 0, 4] / 1  max[0,2; 1]/2  max[0,2; 0,3]/3
 max[0,3]/4  0,4/0  0,4/1  1/2  0,3/3  0,3/4
μ A B  0,2 / 3  0, 2 / 4  max[0,4; 0,2]/6  1/8  max[0,4; 0,3]/12  0,3/18 
0,2/3  0,2/4  0,4/6  1/8  0,4/12  0,3/18
μ A / B  0,4 / 1  0,4 / 1,3  0,4 / 1,5  1 / 2  0,3 / 3  0,2 / 4  0,2 / 6
W wyniku dodawania otrzymujemy liczbę około 6, odejmowania około 2,
mnożenia około 8 i dzielenia około 2 zgodnie z klasyczną arytmetyką.
Pozostałe działania na liczbach rozmytych są również konsekwencją zasady
rozszerzania. Liczbę przeciwną uzyskujemy w wyniku działania funkcji f(x)=-x.
Zgodnie z zasadą rozszerzania funkcja przynależności wyrazi się wzorem:
μ  A ( x )  μ A ( x )
(4.6)
Liczba odwrotna jest obliczana zgodnie ze wzorem:
μ A 1 ( x )  μ A ( x 1 )
(4.7)
Warunkiem obliczania liczby odwrotnej jest, by była ona dodatnia lub ujemna.
Jeśli jest mieszana, to zbiór rozmyty o funkcji przynależności wyliczonej
ze wzoru 4.7 nie jest wypukły, a więc nie jest liczbą rozmytą.
Przykład 4.5.
Na rys. 4.4 przedstawiono liczbę rozmytą trójkątną 1, której funkcja
przynależności przecina oś x w wartościach 0,5 i 2 oraz liczbę odwrotną (linia
przerywana). Nie jest to już liczba trójkątna.
Przykład 4.6.
Arytmetyka rozmyta
47
Niech będzie dana liczba rozmyta mieszana 2 (rys. 4.5). Funkcja przynależności
obliczona ze wzoru 4.7 (linia przerywana) nie jest wypukła, tak więc nie jest to
liczba rozmyta.
Skalowanie liczb rozmytych czyli mnożenie przez dowolną liczbę s≠0 sprowadza
się do wzoru:
μ sA ( x )  μ A ( x / s)
(4.8)
Rys.4.4. Liczba rozmyta 1(linia ciągła) i liczba odwrotna (linia przerywana)
Rys. 4.5. Liczba rozmyta mieszana i zbiór rozmyty o funkcji przynależności
obliczonej ze wzoru 4.7, który nie jest liczbą rozmytą
W uproszczonej metodzie obliczeń na liczbach rozmytych stosowane są αprzekroje. Oznaczmy skrajne wartości przedziałów przekrojów Aα i Bα
odpowiednio przez aαl i bαl z lewej oraz aαp i bαp z prawej strony. Obliczenie
arytmetyczne sprowadzają się do następujących formuł:
(A  B)α  [a lα  b lα , a αp  b pα ]
(A  B) α  {min[( a lα  blα ), (a lα  b pα )], max[(a αp  b αp ), (a pα  b lα )]}
(A  B) α  [min( a lα blα , a lα b pα , a αp b lα , a αp bαp ), max (a lα b lα , a lα bαp , a pα b lα , a αp b pα )]
(A/B) α  [min( a lα / b lα , a lα / b pα , a αp / b lα , a αp / b pα ), max (a lα / b lα , a lα / b pα , a αp / b lα , a αp / b pα )]
Poprawne odwzorowanie wymaga dużej liczby przekrojów, nie jest więc
efektywne obliczeniowo.
Arytmetyka rozmyta
48
4.3. Liczby trójkątne
Przy ciągłych funkcjach przynależności działania na liczbach rozmytych nie
są łatwe. Najprościej wykonać dodawanie i odejmowanie liczb trójkątnych, gdyż
wyniki tych działań są także liczbami trójkątnymi. Dla liczb trójkątnych, które
mogą być definiowane tylko przez podanie rdzenia i wartości skrajnych przekroju
na poziomie α=0 działania dodawania i odejmowania są bardzo proste. Nie
dotyczy to jednak mnożenia i dzielenia.
Oznaczmy skrajne wartości dwu liczb trójkątnych A i B odpowiednio przez al, ap
oraz bl, bp a ich rdzenie przez a, b. Możemy zapisać: A = [al, a, ap] oraz B = [bl,
b, bp]. Sumę i różnicę tych liczb wyznaczymy następująco:
A+B = [al+bl, a+b, ap+bp]
(4.9)
A-B = [min(al-bl, al-bp), a-b, max(ap-bp, ap-bl)]
(4.10)
Przykład 4.6.
Niech będą dane dwie liczby trójkątne [-15, -10, -6] oraz [5, 10, 15]. W wyniku
dodawania otrzymamy rozmytą liczbę 0 - [-10,0,9] (rys. 4.6].
Rys. 4.6. Dodawanie liczb trójkątnych (wynik dodawania rozmyte 0)
Przykład 4.7.
~
~
Odejmijmy rozmyte liczby trójkątne: 7 - 2 = [5, 7, 9] - [0, 2, 4]. W wyniku
~
otrzymujemy 5 =[1, 5, 9] (na rys. 4.7 przedstawiona linią przerywaną).
Rys. 4.7.Odejmowanie trójkątnych liczb rozmytych
Odejmowanie można sprowadzić do dodawania liczby przeciwnej. Liczbą
trójkątną przeciwną do liczby A=[al, a, ap] jest –A =[-ap, -a, -al]. Liczbą
Arytmetyka rozmyta
49
~
~
przeciwną do przedstawionej na rys.4.5 liczby 2 = [0, 2, 4] jest - 2 = [-4, -2, 0].
Skalowanie liczb trójkątnych jest również bardzo łatwe obliczeniowo.
Przykład 4.8.
Na rys. 4.6 przedstawiono trójkątną liczbę A=[-1,2,4] oraz liczby 2A i 1/2A.
Rys. 4.8. Skalowanie liczby rozmytej 2
Korzystając w własności dodawania i skalowania liczb trójkątnych można
przedstawić wzór na wartość średnią k liczb. Oznaczmy przez
A i  [ a il , a i , a ip ] i-tą z k liczb. Wartość średnią wyznacza się ze wzoru:
1
A śr  
k
k

a il ,
i 1
1
k
k

ai ,
i 1
1
k
k
a
i 1
i
p



(4.11]
Przykład 4.9.
Wyobraźmy sobie trzech ekspertów, których zadaniem jest prognozowanie czasu
potrzebnego na wykonanie pewnego oprogramowania. Podają oni czas
najbardziej optymistyczny, najbardziej prawdopodobny oraz najbardziej
pesymistyczny. Prognozę każdego z nich można więc przedstawić przy użyciu
liczb trójkątnych. Niech dla przykładu będą to liczby [5,8,10], [7,9,11] i [6, 7, 9].
Jako właściwą prognozę przyjmiemy wartość średnią, która wynosi [6, 8, 10].
4.4. Porównywanie liczb rozmytych
W tradycyjnej arytmetyce są dwie możliwości: liczby albo są równe albo nie,
natomiast w arytmetyce rozmytej są dopuszczalne wartości pośrednie.
Najprostszym sposobem porównywania liczb rozmytych jest wyznaczanie
odległości Minkowskiego:
q
d q ( A, B )  {   A ( x)   B ( x) dx}1/ q
q 1
(4.12)
X
Po obliczeniu odległości wyznacza się wskaźnik równości według zależności:
E  1  d q ( A, B) .
Określenie, która z dwu liczb rozmytych jest większa jest oczywiste tylko w
przypadkach, kiedy ich nośniki są rozłączne. Jeśli jednak nośniki mają część
50
Arytmetyka rozmyta
wspólną to może się zdarzyć, że liczba o mniejszym rdzeniu ma większy nośnik.
Do porównywania liczb rozmytych tego typu stosuje się metodę odległości.
Algorytm porównywania takich dwu liczb A i B jest następujący:
1) Wyznacza się trzecią liczbę C= max(A, B), większą od obu liczb A i B
korzystając z zasady rozszerzania:
T


 max( A, B ) 
sup
(4.13)
  A ( x)   B ( y)
( x , y ) max( x, y ) z 

2) Następnie obliczana jest odległość Minkowskiego liczby C od liczby A
i liczby B i przyjmuje się, że ta z nich jest większa, której odległość od
liczby C jest mniejsza.
Inna metoda polega na porównywaniu α-przekrojów obu liczb. Przyjmuje się,
że ta liczba jest większa, dla której górne granice są większe dla wszystkich
α>α’.
4.5. Liczby LP
Algorytmy działań arytmetycznych na liczbach rozmytych charakteryzuje, jak
wynika z poprzednich podrozdziałów, duża złożoność obliczeniowa. W celu
uproszczenia tych operacji Dubois i Prade zaproponowali reprezentację liczb
rozmytych przy pomocy trzech parametrów. Funkcja przynależności dla tych
liczb ma postać:
 mx

L α  gdy x  m 

 

μ A ( x)  
(4.14)

P x  m  gdy x  m 
  β 



Występujący we wzorze parametr m jest rdzeniem liczby rozmytej, czyli µ A(m)
=1, α –
rozrzutem lewostronnym (ang. left spreads), β – rozrzutem
prawostronnym (ang. right spreads). Rozrzuty są liczbami rzeczywistymi
dodatnimi. Liczby wyrażone wzorem 4.14 nazwane są LP (lewa-prawa) lub LR
(left-right) i zapisywane symbolicznie jako (m, α, β)LR lub (m, α, β)LP. L i P są
funkcjami odwzorowującymi nazywanymi też bazowymi, spełniającymi
następujące warunki:
1) L(-x) = L(x); P(-x)= P(x)
2) L(0)=1; P(0)=1
3) L, P są funkcjami nierosnącymi w przedziale (0, ∞).
Przy pomocy funkcji bazowych można również przedstawiać przedziały
rozmyte LR (ang. fuzzy interwal LR). Funkcja przynależności do tych liczb
wyraża się wzorem:
Arytmetyka rozmyta
51
 nx

 gdy x  n 
L
  α 



μ A ( x )  1
nxm 


P x  m  gdy x  m 
  β 

(4.15)
Przykład 4.10.
Przedstawmy na wykresie liczby LP o m=5 przy różnych parametrach α = 1, 2, 4
oraz β= 1, 2, 4
i następujących funkcjach odwzorowujących:
2
1
L( x )  e  x
P(x) 
.
1 x4
Jak widać na rys. 4.9 zwiększenie parametrów α, β powoduje wzrost szerokości
liczby rozmytej.
Rys. 4.9. Liczby rozmyte LP: (5,1,1)LP, (5,2,2)LP, oraz (5,4,4)LP o funkcjach
bazowych z przykładu 4.10
4.6. Działania na liczbach LP
Działania arytmetyczne na liczbach LP sprowadzają się do obliczeń na trzech
parametrach.
Liczbę przeciwną do liczby A = (mA, α, β) wyznacza się według zależności:
-A = (-mA, β, α)LP
(4.16)
Suma liczb A = (mA, αA, βB) i B= (mA, αB, βB) równa jest:
A  B  ( m A  m B , α A  α B , β A  β B ) LP
(4.17)
Skalowanie liczb LR jest również wykonywane na trzech parametrach:
sA = (smA, sα, sβ)LP
(4.18)
Do obliczeń typu mnożenie i dzielenie stosuje się wzory przybliżone. Jeśli
rozrzuty są małe w stosunku do wartości średnich można zastosować następujące
przybliżenie:
Arytmetyka rozmyta
52
A  B  (m A m B , m B α A  m A α B , m B β A  m A β B ) LP
m
(4.19)
m α  m A β B m Bβ A  m A α B 
A/B A , B A
,
 mB

mB2
mB2


Przykład 4.11.
Obliczmy przybliżony iloczyn liczb A=(1,1,1)LP i B(2,1,1)LP jeśli ich funkcje
bazowe L(x) = P(x) = 1/(1+x2). Wynik mnożenia w przybliżeniu: AB ≈ (2, 3,3)LP
został przedstawiony na rys. 4.10.
Rys. 4.10. Liczby rozmyte LP (1,1,1)LP i (2,1,1)LP i ich przybliżony iloczyn (linia
pogrubiona) (2,3,3)LP
.
ROZDZIAŁ 5
WNIOSKOWANIE ROZMYTE
5.1. Logika klasyczna..................................................................................54
5.2. Reguły wnioskowania rozmytego……………………...…………….55
5.3. Zmienne lingwistyczne………………………………………...…….57
5.4. Implikacja rozmyta……………………………………………...…....58
5.5. Baza reguł rozmytych...........................................................................63
5.6. Wnioskowanie na podstawie rozmytej bazy reguł…………………...64
5.7. Operatory agregacji…………………………………………………..66
54
Wnioskowanie rozmyte
5.1. Logika klasyczna
Logika jako oddzielna dziedzina wiedzy została stworzona już w
starożytności przez Arystotelesa (384-322 p. n.e.). Teoria Arystotelesa była
rozwijana w szkole Stoików (IV i III w.p.n.e.). Podstawy logiki matematycznej
przedstawił w swojej monografii wydanej w 1854 r. matematyk angielski G.
Boole.
W logice klasycznej każdemu zdaniu przyporządkowana jest wartość
logiczna 1, jeśli jest ono prawdziwe i 0 jeśli fałszywe. Elementarne zdania
logiczne łączą się w formy zdaniowe przy zastosowaniu spójników logicznych:
koniunkcji, alternatywy, implikacji, równoważności, negacji. W tabeli 5.1 podane
zostały wartości logiczne wynikające z łączenia zdań oraz stosowane symbole
spójników. Elementarne zdania oznaczono przez a, b.
Tabela 5.1. Wartości logiczne najczęściej stosowanych form zdaniowych
a
1
1
0
0
b
1
0
1
0
1
0
0
0
koniunkcja a  b
1
1
1
0
alternatywa a  b
1
0
1
1
implikacja a  b
1
0
0
1
równoważność a  b
0
0
1
1
negacja a
Jak widać z powyższej tabeli, jeśli zdania połączone są spójnikiem „i”
(koniunkcja), to w logice dwuwartościowej taka forma zdaniowa jest tylko wtedy
prawdziwa, gdy oba zdania są prawdziwe. Połączenie spójnikiem „lub”
(alternatywa) jest prawdą, jeśli którekolwiek ze zdań jest prawdziwe. Pod
pojęciem implikacji rozumiemy stwierdzenie „jeśli a to b”. Dla uproszczenia „a”
nazywane jest „przesłanką” natomiast „b” – „konkluzją”. Implikacja bywa też
nazywana regułą warunkową. Prawdziwa przesłanka implikuje tylko prawdziwą
konkluzję, natomiast z fałszywej przesłanki może wynikać prawdziwa lub
fałszywa konkluzja. Zdanie prawdziwe jest równoważne prawdziwemu
a fałszywe fałszywemu. Negacją zdania prawdziwego jest zdanie fałszywe
i odwrotnie. Istnieje pełna analogia pomiędzy prawami logiki a działaniami na
zbiorach. Odpowiednikiem negacji jest dopełnienie zbioru, koniunkcji – iloczyn,
alternatywy – suma, implikacji – inkluzja, równoważności – równość zbiorów.
Zbiór pojęć z logiki i teorii zbiorów zamieszczono w tabeli 5.2.
Tabela 5.2. Odpowiedniki pojęć w logice i teorii zbiorów
Logika
Teoria zbiorów
koniunkcja
iloczyn
alternatywa
suma
negacja
dopełnienie
implikacja
inkluzja
równoważność
równość
55
Implikacje są podstawowymi składnikami reguł wnioskowania. Najczęściej
stosowanymi prawami wnioskowania są: modus ponens i modus tollens. Reguła
modus ponens, którą można określić jak wnioskowanie do przodu, można
zapisać za pomocą następującego schematu:
Przesłanka
Implikacja
Wniosek
x jest A
Jeżeli x jest A to y jest B
y jest B
Przykład 5.1.
Wnioskowanie modus ponens
Przesłanka
Prędkość samochodu wynosi 90 km/h
Implikacja
Jeżeli prędkość samochodu wynosi 90 km/h to
zużycie paliwa wynosi 6l/100 km
Wniosek
Zużycie paliwa wynosi 6 l/100 km
Regułę modus tollens można zapisać następująco:
Przesłanka
Implikacja
Wniosek
Y jest B
x jest A
Przykład 5.2.
Wnioskowanie modus tollens
Przesłanka
Zużycie paliwa wynosi 6 l/100 km
Implikacja
Jeżeli prędkość samochodu wynosi 90 km/h to
zużycie paliwa wynosi 6l/100 km
Wniosek
Prędkość samochodu wynosi 90 km/h
5.2. Reguły wnioskowania rozmytego
Logika dwuwartościowa nie uwzględnia wartości pośrednich; dane
stwierdzenie jest prawdziwe lub fałszywe. Nie może, więc, reprezentować
procesu myślenia człowieka, w którym stosowane są nieprecyzyjne stwierdzenia
języka naturalnego. Wartości pośrednie między 0 i 1 wprowadził do logiki polski
logik i filozof Jan Łukaszewicz w 1918 roku. Początkowo była to logika
trójwartościowa, zakładająca istnienie dodatkowej wartości ½ dla stwierdzeń
nieprecyzyjnych. W 1930 r. Łukaszewicz wprowadził logiki nieskończenie
wielowartościowe, w których wartości prawdy zawierały się w przedziale [0,1].
Nawiązując do wielowartościowej logiki Lofti Zadeh wprowadził pojęcie logiki
rozmytej, w której stopień prawdy jest określony funkcją przynależności.
Pozwoliło to na zastosowanie działań na zbiorach rozmytych, opisanych
w rozdziale 2, takich jak s-normy, t-normy, negacje do wyznaczania stopnia
prawdziwości zdań złożonych, zawierających alternatywę, koniunkcję czy
56
negację. Rozmyta reguła modus ponens może być przestawiona za pomocą
schematu podobnego do wnioskowania w logice dwuwartościowej:
Przesłanka
Implikacja
Wniosek
x jest A’
y jest B’
Występujące w powyższej regule zmienne x, y przyjmują wartości słów lub zdań
z języka naturalnego i noszą nazwę zmiennych lingwistycznych, natomiast A,
A’, B, B’ są zbiorami rozmytymi. Rozmyta implikacja „jeżeli – to” może być
traktowana jako rozmyta relacja o funkcji przynależności µR(x,y). Występujące
w przesłance i implikacji zbiory A i A’ mogą być jednakowe lub sobie bliskie.
Podobnie występujące w implikacji i wniosku zbiory B i B’. A’ może być
zbiorem „bardzo A”, „mniej więcej A”, lub „nie A”. Zbiór „bardzo A” jest
wynikiem operacji koncentracji, tak więc funkcja przynależności
μ A ' ( x )  [μ A ( x )] 2 . Zbiór „mniej więcej A” uzyskamy poprzez rozrzedzenie
zbioru A , przy którym μ A ' ( x )  [μ A ( x )]1 / 2 , zbiór „nie A” jest dopełnieniem do
zbioru A, tak więc, μ A ' ( x )  1  μ A ( x )].
Przykład 5.3.
Rozważmy schemat wnioskowania przedstawiony poniżej, w którym przesłanka,
implikacja i wniosek są nieprecyzyjnymi stwierdzeniami.
Przesłanka
Implikacja
Wniosek
Prędkość samochodu jest duża
Jeżeli prędkość samochodu jest bardzo
duża to zużycie paliwa jest duże
Zużycie paliwa jest średnio duże
Występują tu następujące zmienne lingwistyczne: x – prędkość samochodu, y –
zużycie paliwa. Zmienna x może przyjmować wartości ze zbioru: {mała, średnia,
duża, bardzo duża}, y – ze zbioru: {małe, średnie, średnio duże, duże}. Do
każdego elementu tych zbiorów można przyporządkować odpowiedni zbiór
rozmyty. W przedstawionym schemacie są to następujące zbiory: A – bardzo
duża prędkość samochodu, A’ – duża prędkość samochodu, B- duże zużycie
paliwa, B’ – średnio duże zużycie paliwa. Zbiór rozmyty „średnio duże”
uzyskamy stosując operacje rozcieńczenia zbioru „duże”.
W schemacie modus tollens również występują zmienne lingwistyczne
i przyporządkowane im zbiory rozmyte.
Przesłanka
Implikacja
Wniosek
y jest B’
x jest A’
Oba schematy wnioskowania są proste i intuicyjne, nie jest jednak oczywisty
57
sposób, w jaki należy przetłumaczyć je na struktury algorytmów komputerowych.
W dalszej części opracowania ograniczmy się do wyznaczania wartości logicznej
implikacji. Złożenie implikacji z wartością logiczną rozmytej przesłanki będzie
następnym krokiem wnioskowania rozmytego.
Przykład 5.4.
Schemat wnioskowania rozmytego modus tollens dla tych samych zmiennych co
w przykładzie 5.3 przedstawia poniższy schemat.
Przesłanka
Implikacja
Wniosek
Zużycie paliwa jest średnio duże
Jeżeli prędkość samochodu jest bardzo duża to
zużycie paliwa jest duże
Prędkość samochodu jest duża
Wniosek reguły rozmytej dotyczy zbioru rozmytego B’, który jest określany
przez złożenie zbioru rozmytego A’ i rozmytej implikacji μ AB ( x, y ). Funkcja
przynależności do B’ jest wyznaczana z następującej zależności:
T


μ B' ( y)  sup μ A ' ( x )  μ AB ( x, y) 
(5.1)


5.3. Zmienne lingwistyczne
W poprzednim podrozdziale wspomniano, że wielkości występujące w
regułach wnioskowania przybliżonego noszę nazwę zmiennych lingwistycznych.
Dla przykładu jeśli mówimy, że temperatura jest niska to pojęcie temperatura ma
zupełnie inne znaczenie niż w przypadku, gdy określamy ją na podstawie odczytu
z termometru. W tym przypadku z pojęciem temperatura kojarzymy pewną
zmienną lingwistyczną, która dla przykładu przyjmuje wartości niska, średnia,
duża. Wartościom tym możemy przyporządkować zbiory rozmyte określone na
ostrym uniwersum w stopniach Celsjusza.
Ogólnie zmienną lingwistyczna definiuje się jako piątkę:
L= (N, E(G), X, G, M)
(5.2)
N oznacza nazwę zmiennej lingwistycznej, E(G) - zbiór etykiet
przyporządkowanych do zbiorów rozmytych określonych na przestrzeni X.
Etykiety te są wartościami zmiennej lingwistycznej. G reprezentuje zbiór reguł
syntaktycznych, które pozwalają na utworzenie stwierdzeń zawierających
wartości zmiennej lingwistycznej, natomiast M oznacza semantykę zmiennej L
realizującej odwzorowanie przyporządkowujące każdej etykiecie zbiór rozmyty
określony w przestrzeni X.
Do wartości zmiennych lingwistycznych mogą być stosowane modyfikatory
opisane w podrozdziale 1.4. Poprzez zastosowanie funkcji potęgowej
z wykładnikiem większym od 1 uzyskujemy koncentrację, mniejszym od 1
rozmywanie. Możliwe jest także tworzenie złożonych wartości lingwistycznych
z zastosowaniem łączników „I”, „LUB”.
58
Przykład 5.5.
Zmienna lingwistyczna wzrost człowieka może mieć następujące wartości
{niski, średni, wysoki}. Do każdej z tych zmiennych należy przyporządkować
określone zbiory rozmyte. Możemy również je modyfikować tworząc dla
przykładu wartości :
a) nie wysoki poprzez dopełnienie do zbioru rozmytego wysoki;
b) bardzo niski jako kwadrat funkcji przynależności do zbioru niski;
c) mniej więcej średni jako pierwiastek z funkcji przynależności do zbioru średni;
d) w przybliżeniu średni z funkcja przynależności  A' ( x )  min[1,  A' ( x)] przy
α>1;
e) nie niski i nie wysoki jako t-norma z dopełnień do zbiorów rozmytych niski
i wysoki;
f) średni lub wysoki jako s-norma zbiorów rozmytych średni oraz wysoki.
5.4. Implikacja rozmyta
Zauważmy, że w implikacji występują dwa zbiory rozmyte A i B. Wartość
logiczną tej formy zdaniowej charakteryzuje pewien stopień przynależności
z przedziału [0,1] do zbioru prawda: μ A B ( x , y) . Określenie sposobu
wyznaczania funkcji przynależności do rozmytej implikacji było przedmiotem
zainteresowań wielu badaczy. W dalszej części opracowania zostaną
przedstawione niektóre z nich. Najczęściej stosowana jest implikacja
Mamdaniego, dla której funkcję przynależności określa wzór:
μ Mamdaniego ( x , y)  min[ μ A ( x ), μ B ( y)]
(5.3)
Może być ona interpretowana, jako działanie t-normy Zadeha na zbiory rozmyte.
Do tej samej grupy można zaliczyć implikację Larsena, w której zastosowana jest
t-norma typu iloczyn.
μ Larsena ( x, y)  μ A ( x )  μ B ( y)
(5.4)
Wyrażenia Mamdaniego i Larsena nie są implikacjami w sensie logicznym,
jednak w literaturze są często tak nazywane. Reguła Mamdaniego bywa też
nazywana „implikacją inżynierską”.
Przykład 5.6.
Przyjmijmy, że w schemacie wnioskowania modus ponens A= A’ i B= B’,
stopień prawdy przesłanki wynosi 0,8 (µA(x) = 0,8), a funkcja przynależności do
zbioru B jest opisana funkcją Λ. Funkcja przynależności do zbioru B (konkluzja)
zgodnie z regułą Mamdaniego jest przedstawiona linią pogrubioną na rys. 5.1.
59
Rys. 5.1.Wynik wnioskowania przy zastosowaniu implikacji Mamdaniego, jeśli
stopień prawdy przesłanki jest równy 0,8
Przykład 5.7.
Przyjmijmy, że w schemacie wnioskowania modus ponens A= A’ i B= B’
z zastosowaniem implikacji Larsena, stopień prawdy przesłanki jest równy 0,8
(µA(x) = 0,8), a funkcja przynależności do zbioru B jest opisana funkcją Λ.
Funkcja przynależności konkluzji jest przedstawiona linią pogrubioną na rys. 5.2.
Rys. 5.2. Wynik wnioskowania przy zastosowaniu implikacji Larsena, jeśli
Implikacje logiczne zgodnie z teorią J. Fodora powinny spełniać następujące
warunki:
1) Implikacja powinna być nierosnącą funkcją pierwszego argumentu,
więc, jeśli μ A ( x )  μ A (z ) to μ AB ( x, y)  μ AB ( z, y)
2) Implikacja powinna być niemalejąca funkcją drugiego argumentu, co
oznacza, że jeśli μ B ( y)  μ B ( z) to μ AB ( x, y)  μ AB ( x , z)
3) Stopień prawdy implikacji dla funkcji przynależności do zbioru A równej
0 może być równy 1 μ AB (0, y)  1 , gdyż z fałszu może wynikać
prawda lub fałsz.
4) Stopień prawdy implikacji dla funkcji przynależności do zbioru B
(następnika) równej 1 powinien być równy 1 (cokolwiek może prowadzić
do prawdy).
5) Stopień prawdy implikacji dla funkcji przynależności do zbioru A równej
1, a zbioru B równej 0, powinien być równy 0 ( μ AB ( x, y)  0 ), gdyż
60
z prawdy nie może wynikać fałsz.
Wśród implikacji logicznych są wyróżniane grupy: S-implikacji, Rimplikacji, Q-implikacji.
Implikacja binarna (Kleene’a-Dienesa) należy do grupy tzw. S-implikacji.
Grupa ta charakteryzuje się funkcją przynależności będącą wynikiem działania snormy na dopełnienie do zbioru A i zbiór B:
s
μ S ( x , y)  [1  μ A ( x )]  μ B ( y)
(5.5)
W implikacji Kleene’a-Dienesa jako s-norma została zastosowana suma
mnogościowa, czyli operacja maksimum:
μ Kleene'a Dienesa ( x , y)  max{[1  μ A ( x )], μ B ( y)}
(5.6)
Przykład 5.8.
Przyjmijmy, że w schemacie wnioskowania modus ponens A= A’ i B= B’
z zastosowaniem implikacji Kleene’a-Dienesa, stopień prawdy przesłanki jest
równy 0,6 (µA(x) = 0,6), a funkcja przynależności do zbioru B jest opisana
funkcją Λ. Funkcja przynależności konkluzji jest przedstawiona linią pogrubioną
na rys. 5.3.
Rys. 5.3. Wynik wnioskowania przy zastosowaniu implikacji Kleene’a-Dienesa,
jeśli stopień prawdy przesłanki jest równy 0,6
Do tej samej grupy należy implikacja Łukaszewicza:
μ Łukaszewicza ( x, y)  min [1, 1  μ A ( x )  μ B ( y)]
(5.7)
Przykład 5.9.
stopień prawdy przesłanki - 0,4 (µA(x) = 0,4), a funkcja przynależności do zbioru
B jest opisana funkcją Λ. Funkcja przynależności wniosku według reguły
Łukaszewicza (konkluzja) jest przedstawiona linią pogrubioną na rys. 5.4.
61
Rys. 5.4. Wynik wnioskowania przy zastosowaniu implikacji Łukaszewicza, jeśli
Do grupy R-implikacji należy implikacja Goguena, której funkcja przynależności
wyraża się wzorem:
dla μ A ( x )  0
1
μ Goguena ( x, y)  
(5.8)
min[1, μ B ( x ) / μ A ( x )] dla μ A ( x )  0
Przykład 5.10.
B jest opisana funkcją Λ. Wynik wnioskowania według reguły Goguena jest
przedstawiony linią pogrubioną na rys. 5.5.
Rys. 5.5. Wynik wnioskowania przy zastosowaniu implikacji Goguena , jeśli
Do tej samej grupy należy też implikacja Gödela, która można przedstawić
wzorem:
gdy μ A ( x )  μ B ( y)
1
μ Gödela ( x, y)  
(5.9)
gdy μ A ( x )  μ B ( y)
μ B ( y)
Przykład 5.11.
B jest opisana funkcją Λ. Wynik wnioskowania według reguły Gödela jest
przedstawiony linią pogrubioną na rys. 5.6.
62
Rys. 5.6. Wynik wnioskowania przy zastosowaniu implikacji Gödela , jeśli
Następną wyróżnioną grupą są Q- implikacje, których przedstawicielką jest
implikacja Zadeha:
μ Zadeha ( x , y)  max{min[ μ A ( x ), μ B ( y)], [1  μ A ( x )]}
(5.10)
Przykład 5.12.
Przyjmijmy, że w schemacie wnioskowania modus ponens A= A’ i B= B’.
Porównajmy wyniki wnioskowania przy dwóch stopniach prawdy przesłanki: 0,4
oraz 0,8, jeśli funkcja przynależności do zbioru B jest opisana funkcją Λ. Wyniki
wnioskowania przy zastosowaniu implikacji Zadeha są przedstawione liniami
pogrubionymi na rys. 5.7 i 5.8. Łatwo sprawdzić, że dla µA(x)≤0,5 funkcja ta
przyjmuje wartość 1-µA(x), co widać na rys. 5.7. Dla porównania na rys. 5.8
przedstawiono wynik wnioskowania Zadeha dla µA(x)=0,8.
Rys. 5.7. Wynik wnioskowania przy zastosowaniu implikacji Zadeha, jeśli stopień
prawdy przesłanki jest równy 0,4
63
Rys. 5.8. Wynik wnioskowania przy zastosowaniu implikacji Zadeha , jeśli
Implikacja Reschera (standardowa) sprowadza funkcję przynależności do
postaci charakterystycznej dla zbioru ostrego.
dla μ A ( x , )  μ B ( y)
1
μ Re schera ( x , y)  
(5.11)
wp p
0
Przykład 5.13.
B jest opisana funkcją Λ. Wynik wnioskowania z zastosowaniem implikacji
Reschera jest przedstawiony linią pogrubioną na rys. 5.9.
Rys. 5.9. Wynik wnioskowania przy zastosowaniu implikacji Reschera , jeśli
Czytelnik na podstawie literatury, której wykaz jest dołączony na końcu
opracowania może zapoznać się ze wzorcami implikacji innych autorów.
5. 5. Baza reguł rozmytych
Bazę reguł stanowi zbiór reguł rozmytych postaci jeżeli-to. Oznaczmy przez
R
k-tą regułę (k=1, 2…K), xn – n-tą wielkość wejściową (n=1, 2, …, N), Ank–
zbiory rozmyte wejściowe (n=1,2, …, N), ym m-tą wielkość wyjściową (m= 1, 2,
…, M) oraz Bmk – m-ty rozmyty zbiór wyjściowy. Wybraną k-tą regułę rozmytą
(k)
64
można zapisać w postaci:
R{k}: JEŻELI x1 jest A1k I x2 jest A2k I … I xn jest Ank, I … I xN jest ANk
TO y1 jest B1k I y2 jest B2k I … I ym jest Bmk, I …I yM jest BMk
(5.12)
Każda reguła składa się tzw. poprzednika – JEŻELI (ang. antecedent), czyli
zbioru warunków oraz tzw. następnika – TO (ang. consequent), czyli wniosków.
Przedstawione formułą 5.12 reguły określają bazę sytemu o wielu wejściach
i wielu wyjściach (ang. Multi-Input-Multi-Output – MIMO).
Przy założeniach, że poszczególne reguły są powiązane ze sobą za pomocą
operatora logicznego „LUB’ oraz, że wyjścia są wzajemnie niezależne, sterownik
o wielu wejściach i wielu wyjściach (MIMO) może być zastąpiony wieloma
sterownikami o jednym wyjściu (ang. Multi-Input-Single-Output, MISO).
Dekompozycję sterownika o trzech wyjściach na sterowniki o jednym wyjściu
przedstawiono na rys. 5.10.
Rys. 5.10. Rozkład sterownika MIMO o trzech wejściach na trzy sterowniki MISO
Wynikiem k-tej reguły w systemie MISO jest jeden zbór rozmyty Bk. Reguła
5.12 przyjmuje więc postać:
TO y jest Bk
(5.13)
Przy oznaczeniu A k  A1k  A k2  ...  A kN regułę R(k) można traktować jako
rozmytą implikację:
R (k) : A k  B k
(5.14)
5. 6. Wnioskowanie na podstawie rozmytej bazy reguł
Wnioskowane na podstawie bazy reguł rozmytych można podzielić na dwie
główne grupy:
1. Agregacja a następnie wnioskowanie (ang. First Aggregate Then Infer - FATI),
czyli wnioskowanie oparte na złożeniu (ang. composition based inference). W tej
metodzie na wyjściu otrzymujemy jeden zbiór rozmyty. Uogólnioną regułę
wnioskowanie modus ponens dla tej metody przedstawia poniższy schemat:
65
x  ( x1 , x 2 ,...., x N ) T jest A’
A’= A1 'A 2 '...  A N '
Przesłanka
K
 R (k ) , R ( k ) :
Implikacja
k 1
k
Wniosek
y jest B’
Ak  B k
A  A1k  A k2  ...  A kN
Zastosowanie złożeniowej metody wnioskowania prowadzi do następującego
wzoru określającego funkcję przynależności do zbioru B’:
T


μ B' ( y)  sup μ A ' (x) T  max μ k (x, y) 
(5.15)
R
1 k  K
xX 

2. Wnioskowanie a następnie agregacja (ang, First Infer Then Aggregate –FITA)
lub inaczej wnioskowanie oparte na pojedynczych regułach (ang. individual rule
inference). Uogólniona reguła modus ponens dla tej metody jest przedstawiona
poniżej:
x  ( x1 , x 2 ,...., x N ) T jest A’
A’= A1 'A 2 '...  A N '
Przesłanka
R (k) :
Implikacja
A
k
Ak  B k
 A1k
 A k2
k=1,2,…,K
 ...  A kN
y jest B’k
Wniosek
Zbiory rozmyte B’k powstają przez złożenie zbioru rozmytego A’ i relacji R(k).
Funkcje przynależności do tych zbiorów wyznacza się według wzoru:
T


μ k ( y)  sup μ A ' (x) T  μ k (x, y) 
(5.16)
B'
R
xX 

Jeśli operacja rozmywania jest typu singelton, wzór 5.16 przyjmuje postać:
_
μ
B'
k
( y)  μ
R
k
( x, y)
(5.17)
Funkcja przynależności wyrażona tym wzorem zależy od rozmytej implikacji
oraz sposobu zdefiniowania iloczynu kartezjańskiego zbiorów rozmytych.
66
5. 7. Operatory agregacji
Wnioskowanie oparte jest o wiele reguł rozmytych jeżeli-to. Ostateczne
wnioski mogą by uzyskane po odpowiedniej agregacji pojedynczych reguł.
Dlatego też poprawne wnioskowanie zależy również od doboru operatorów
agregacji. Generalnie powinny one spełniać następujące warunki:
1) Reagować nieskończenie małą zmianą wartości wyjściowej na
nieskończenie małą zmianę wartości wejściowych.
2) Nie zależeć od dowolnej permutacji wartości wejściowych.
3) Zachować idempotentność, co oznacza, że w wyniku agregacji takich
samych danych wejściowych otrzymujemy na wyjściu wartość jednej
z nich.
4) Zachować łączność.
Są dwa niezależne podejścia do problemu agregacji. W pierwszym poszczególne
reguły rozmyte traktuje się jako niezależne. Uzasadnione jest przy takim
założeniu używanie s-norm jako operacji agregujących. Takie podejście jest
nazywane kombinacją Mamdaniego. Wynikową funkcję przynależności przy
zastosowaniu operatora s-normy można zapisać wzorem:
 B ( y )  S[  1 ( y ),  2 ( y ),...,  K ( y )]
(5.18)
B
B
B
Jeśli zastosujemy s-normę standardową, wzór 5.18 przyjmie postać:
 B ( y )  max[  1 ( y ),  2 ( y ),...,  K ( y )]
B
B
B
(5.19)
W innym podejściu, zwanym kombinacją Gödela, reguły traktowane są, jako
powiązane stwierdzenia warunkowe, uzasadnione jest więc zastosowanie t-norm.
Kompromisowe rozwiązanie problemu agregacji godzące te dwa przeciwstawne
podejścia jest możliwe przy zastosowaniu działań kompensacyjnych opisanych
w podrozdziale 2.4 lub zastosowanie średnich jako operatorów agregacji.
Operator kompensacyjny Zimmermana opisany wzorem 2.19 można uogólnić na
K zbiorów. Otrzymamy wtedy:
K
 B ( y)   [
k 1
Bk
1
( y )]
K
 [1   Bk ( y )]
(5.20)
k 1
Uogólniony operator średniej zależny od parametru β, który może przyjmować
wartości z zakresu liczb rzeczywistych z wyjątkiem 0, możemy przedstawić
wzorem:
1/ 
1 K


 śrO ( y )  
[  k ( y )] 
 K k 1 B


(5.21)
Przykład 5.14.
Porównajmy wyniki działania operatów standardowych t-normy i s-normy
i operatora Zimmermanna dla γ=0,8 na trzy zbiory rozmyte (liniami cienkimi
przedstawiono funkcje przynależności do tych zbiorów).
67
Rys. 5.11. Porównanie działania s-normy i t-normy standardowej i operatora
Zimmermanna przy γ=0,8 (linie pogrubione)
Jeśli β=-∞ otrzymujemy koniunkcję, dla β=-1 przy założeniu, że 
Bk
( y)  0
średnią harmoniczną:
1
K
1 


(5.22)
k 1  B k ( y ) 
Jeśli β=1, wzór 5.21 opisuje średnią arytmetyczną (A) (wzór 5.23), natomiast
przy β=2, średnią kwadratową (Q) (wzór 5.24):
1
 śrH ( y ) 
K

K
 śrA ( y ) 
1
 k ( y)
K k 1 B

(5.23)
K
1
[  k ( y )] 2
(5.24)
K k 1 B
Stosowane są również operatory średniej ważonej. Uogólniony operator średniej
ważonej możemy przedstawić wzorem 5.25, w którym występują parametry wag
wk.
 śrQ ( y ) 

1/ 
K

 śrOw ( y )   wk [  k ( y )]  
B
 k 1

Suma współczynników wagowych wk powinna by równa 1:

(5.25)
K
 wk  1
(5.26)
k 1
Przykład 5.15.
Na rys. 5.12 przedstawiono wyniki agregacji trzech zbiorów rozmytych (linie
cienkie) operatorami: średniej arytmetycznej, średniej kwadratowej oraz
ważonymi operatorami średniej arytmetycznej i średniej kwadratowej z wagami
68
w1 =0,1; w2=0,5 oraz w3=0,4. Dla porównania przedstawiono też wyniki
agregacji przy zastosowaniu standardowej s-normy i t-normy
Rys. 5.12. Porównanie średnich: arytmetycznej i kwadratowej oraz ważonych
średnich: arytmetycznej i kwadratowej (przy współczynnikach wagowych 0,1;
0,5; 0,4)
ROZDZIAŁ 6
STEROWNIKI ROZMYTE
6.1. Ogólny schemat sterownika rozmytego………………………..……70
6.2. Tworzenie bazy wiedzy…………………………………………..….70
6.3. Blok rozmywania……………………………………………………74
6.4. Blok wnioskowania………………………………………………….74
6.5. Blok wyostrzania…………………………………………………….76
6.6. Sterownik Mamdaniego-Assilana………………………...................77
6.7. System rozmyty Takagi-Sugeno-Kanga……………………………..80
6.8. System rozmyty Łęskiego-Czogały……………………………….…82
Sterowniki rozmyte
70
6. 1. Ogólny schemat sterownika rozmytego
Sterowanie urządzeniami czy procesami jest działaniem, które na podstawie
obserwacji wielkości wyjściowych zmienia wielkości wejściowe tak, by osiągnąć
pożądany stan układu. Konwencjonalne układy automatycznego sterowania
oparte są o matematyczne modele i wymagają ścisłego analitycznego opisu.
Zastosowanie reguł logiki rozmytej w procesie sterowania eliminuje konieczność
znajomości modeli procesów. Sterowanie rozmyte naśladuje ludzkie umiejętności
i wymaga jedynie odpowiedniego sformułowania reguł JEŻELI..TO. Typowy
sterownik rozmyty (ang. fuzzy logic controller) składa się z następujących części:
a) bazy wiedzy (reguł), b) bloku rozmywania, c) bloku wnioskowania d) bloku
wyostrzania (rys.6.1).
stan aktualny
sygnały sterujące
sterowane urządzenie
sterownik
Baza wiedzy
x
Blok
rozmywania
A’
Blok
wnioskowania
B’
Blok
wyostrzania
y
Rys. 6.1. Ogólny schemat sterowania rozmytego
Na wejście sterownika są podawane wielkości ostre z odpowiednich dla danego
układu czujników. Liczba wejść, a tym samym liczba sygnałów wejściowych, jest
zależna od złożoności układu sterowania. Ponieważ w dalszych blokach działania
odbywają się na zbiorach rozmytych, wielkości te są rozmywane (blok
rozmywania). Następnie w oparciu o bazę wiedzy odbywa się proces
wnioskowania w wyniku którego powstaje jeden lub więcej zbiorów rozmytych.
Zbiory te poddaje się procesowi agregacji. Następnie wynikowy zbiór (lub
zbiory) rozmyty jest wyostrzany i w rezultacie na wyjściu uzyskiwane są sygnały
ostre sterujące stanem sterownika.
6.2. Tworzenie bazy wiedzy
Bazę wiedzy stanowi zbiór reguł rozmytych postaci JEŻELI……...TO
opisanych w rozdziale 5. 5. Przy konstruowaniu bazy reguł należy zwrócić
uwagę, by były one niesprzeczne, wzajemnie niezależne oraz by ich liczba była
wystarczająca. Innymi słowy baza powinna być zgodna, ciągła i kompletna.
Warunek zgodności (niesprzeczności) oznacza, że nie zawiera ona reguł, które
dla jednakowych przesłanek mają różne konkluzje. Baza jest kompletna, jeśli dla
Sterowniki rozmyte
71
każdej wartości wejściowej przynajmniej jedna reguła jest aktywna. Utworzenie
poprawnej bazy reguł rozpoczyna się od utworzenia zbiorów rozmytych
wejściowych
i wyjściowych. W tym celu zakresy zmiennych dzielimy ma przedziały
i każdemu z nich przypisujemy określoną wartość zmiennej lingwistycznej np.:
mała, średnia, duża, bardzo duża.
W konstrukcji funkcji przynależności często korzysta się z opinii ekspertów. Ich
zadaniem jest określenie stopni przynależności elementów ze zbiorów uczących
do odpowiednich zbiorów rozmytych. Możemy tu wyróżnić dwa podejścia:
bezpośrednie i pośrednie. W metodach bezpośrednich zadaniem eksperta (lub
ekspertów) jest odpowiedź na pytanie: „Jaki jest stopień przynależności elementu
x do zbioru A?” Jeśli korzystamy z opinii wielu (L) ekspertów każdy (l-ty)
ekspert odpowiada na powyższe pytanie i podaje funkcję przynależności,
a następnie wylicza się średnią :
L
l
 μ A ( x)
μ A ( x )  l1
(6.1)
L
Jest to probabilistyczna interpretacja konstrukcji funkcji przynależności. Jeśli
uwzględnione zostaną kompetencje l-tego eksperta (cl), funkcje przynależności
określa się według wzoru:
L
μ A ( x )   c l μ lA
l1
L
 cl  1
(6.2)
l 1
W metodzie pośredniej z jednym ekspertem wybieramy kolejno pary elementów
xi, xj. Zadaniem eksperta jest podanie wag porównań pij. Przy założeniu, że
porównanie jest poprawne:
μ A (x i)
p i, j 
(6.3)
μ A ( x j)
Następnie wśród wartości pi,j i pj,i znajdujemy element o największej wadze.
Oznaczmy indeks tego elementu przez t. Elementowi xt przypisujemy funkcję
przynależności do zbioru rozmytego A równą 1.
μ A (x t)
1
1
p t, j 

 μ A ( x j) 
(6.4)
μ A ( x j) μ A ( x j)
p t, j
Po określeniu stopni przynależności dla poszczególnych elementów
konstruowana jest funkcja metodą interpolacji Lagrange’a, najmniejszych
kwadratów lub z wykorzystaniem sztucznych sieci neuronowych. Eksperci
formułują także reguły rozmyte.
Jeśli nie jest możliwe pozyskanie wiedzy od ekspertów stosowane jest tworzenie
bazy wiedzy na podstawie danych numerycznych wejściowych i wyjściowych.
Prostą metodę tworzenia bazy wiedzy opracowali L. X. Wang i J. M. Mendel
z zastosowaniem algorytmu składającego się z następujących kroków:
1) Określenie wartości minimalnych i maksymalnych danych wejściowych
72
Sterowniki rozmyte
(oznaczmy je xmin i xmax) i wyjściowych (ymin, ymax);
2) Podział zakresu danych wejściowych na N, a danych wyjściowych na L
przedziałów równej lub różnej długości;
3) Przypisanie każdemu z nich trójkątnej (Λd,c.g) funkcji przynależności, która
przyjmuje wartość 1 w środku przedziału (c) i 0 w środkach sąsiednich
przedziałów;
4) Wyznaczenie funkcji przynależności dla każdego zestawu danych uczących do
zaprojektowanych zbiorów rozmytych i znalezienie zbiorów o największych
wartościach funkcji przynależności:
5) Sformułowanie reguły JEŻELI-TO w oparciu o wyznaczone wartości
maksymalne;
6) Przyporządkowanie stopnia prawdziwości do każdej reguły będącego
iloczynem funkcji przynależności danych uczących do zbiorów rozmytych
zawartych w regule. Zwykle jest dużo zestawów uczących, a każdy z nich
stanowi podstawę do sformułowania reguły, jest więc prawdopodobne, że
niektóre okażą się sprzeczne:
7) Utworzenie bazy reguł rozmytych. Jeśli otrzymamy więcej reguł rozmytych
o tych samych przesłankach to wybieramy tę, która ma największy stopień
prawdziwości.
Przykład 6.1.
Przeanalizujmy zasadę tworzenia reguł rozmytych sterownika z dwoma
wejściami (x1, x2) i jednym wyjściem. Zakresy danych wejściowych x1 i x2
podzielmy na 5 części i utwórzmy funkcje przynależności do zbiorów rozmytych
bardzo małe (M2), małe (M1), średnie (S), duże (D1), bardzo duże (D2). Na rys. 6.2
przedstawiono trójkątne funkcje przynależności do tych zbiorów.
Rys. 6.2. Zasada tworzenia reguł rozmytych sterownika z dwoma wejściami x1 i x2
oraz jednym wyjściem – y
Sterowniki rozmyte
73
Dane wyjściowe przyporządkujmy do trzech zbiorów rozmytych małe (M),
średnie (S), duże (D). Ogólną postać reguły rozmytej można zapisać w postaci:
R: Jeżeli (x1 jest A1 I x2 jest A2) TO y jest B
Każdej regule przyporządkujemy stopień prawdziwości SP(R):
SP (R )  μ A1 ( x 1 )  μ A 2 ( x 2 )  μ B ( y)
(6.5)
_
_
_
Utwórzmy regułę biorąc jeden komplet danych x 1 , x 2 , y . Wybieramy dla każdej
z tych zmiennych zbiór rozmyty, do którego jest największy stopień
przynależności danej uczącej. W rezultacie powstaje następująca reguła:
JEŻELI x1 jest M1 I x2 jest S TO y jest S
Po sformułowaniu reguł na podstawie wszystkich zestawów danych uczących
konstruujemy tabelę dwuwymiarową przedstawioną na rys. 6.3 i w odpowiednie
pola wpisujemy następnik dla danej pary danych wejściowych. Może się
oczywiście zdarzyć, że ten sam wyjściowy zbiór rozmyty (następnik) wystąpi
w kilku regułach. Wtedy jest wybierana ta, dla której stopień prawdziwości jest
największy.
Rys. 6.3. Tabela reguł dla sterownika z dwoma wejściami i jednym wyjściem.
W zacienionym polu wpisano następnik utworzonej reguły
Opisany algorytm tworzenia bazy reguł rozmytych zaliczany jest do grupy metod
z podziałem siatkowym (ang. grid partition). Zaletą takiego sposobu jest mała
liczba wartości lingwistycznych dla każdej zmiennej wejściowej. Wadą jest
wykładniczy wzrost liczby reguł wraz ze wzrostem przestrzeni wejściowej.
Wada ta jest wyeliminowana w metodzie z podziałem rozproszonym (ang. scatter
partition). Algorytm wydobywania bazy wiedzy według tej metody według
Sugeno -Yasukawy składa się z następujących kroków:
1. Rozmyte grupowanie danych wyjściowych zawartych w zbiorze uczącym (w
oryginalnej metodzie stosowano algorytm rozmytych c-średnich, który zostanie
opisany w rozdziale 7). Liczba grup będzie równa liczbie reguł rozmytych.
2. Przypisanie grupom danych wyjściowych zbiorów rozmytych o odpowiednio
dobranych funkcjach przynależności. W oryginalnej metodzie były to funkcje
trapezowe, których parametry były dopasowywane do zbioru uczącego.
Oczywiście możliwe jest zastosowanie innych typów funkcji przynależności.
3. Przypisanie stopni przynależności po grupowaniu przestrzeni wyjściowej do
Sterowniki rozmyte
74
całej pary wejście-wyjście.
4. Uzyskiwanie przesłanek reguł poprzez projekcje na przestrzenie zmiennych
wejściowych.
Zasada działania tego algorytmu jest zilustrowana na rys. 6.4.
Rys. 6.4. Metoda tworzenia reguł rozmytych Sugeno-Yasukawy
6. 3. Blok rozmywania
Na wejście sterownika rozmytego wchodzą sygnały ostre, dlatego też muszą
podlegać procesowi rozmywania (ang. fuzzyfication). Dzięki tej operacji zostają
przetworzone na zbiory rozmyte i mogą być poddawane dalszym działaniom
w kolejnych etapach. Najczęściej stosowanym sposobem rozmywania jest
singelton. Polega on na przyporządkowaniu funkcji przynależności równej 1 dla
_
aktualnego wektora wejściowego x i 0 dla pozostałych:

1
μ A ' (x )  δ(x - x )  
0

_
_
_
gdy x  x
(6.6)
_
gdy x  x
Zdarza się, że sygnał wejściowy jest mierzony wraz z zakłóceniami. W tym
przypadku stosowane jest rozmywanie typu non-singleton:
_
_ 

T
 ( x  x ) (x - x ) 
μ A ' ( x )  δ ( x - x )  exp  

δ


_
_
dla δ>0
(6.7)
6. 4. Blok wnioskowania
Proces wnioskowania w oparciu o rozmyte wielkości wejściowe i bazę
wiedzy odbywa się według zasad opisanych w rozdziale 5.6. Procedura
otrzymywania wyjścia rozmytego składa się z następujących etapów:
1. Znalezienie poprzez rozmywanie wielkości wejściowych każdej reguły.
2. Znalezienie wyjścia każdej reguły w wyniku złożenia rozmytej wielkości
wejściowej i rozmytej implikacji.
3. Agregacja wyjść poszczególnych reguł.
Zbiory rozmyte powstałe w wyniku działania poszczególnych reguł zależą od
Sterowniki rozmyte
75
rozmytej implikacji oraz sposobu zdefiniowania iloczynu kartezjańskiego
zbiorów rozmytych na wejściu.
Przykład 6.2.
Przeanalizujmy sterownik rozmyty o dwóch wejściach i jednym wyjściu
z następującą bazą reguł:
R(1): JEŻELI x1 jest A11 I x2 jest A12 TO y jest B1
R(2): JEŻELI x1 jest A12 I x2 jest A 22 TO y jest B2
Funkcje przynależności do odpowiednich zbiorów rozmytych przedstawiono na
rys. 6.5.
Rys.6.5. Przykład działania sterownika z implikacją Mamdaniego o dwóch
wejściach i jednym wyjściu
_
_
Niech na wejściach tego sterownika pojawią się sygnały x1 i x 2 . W wyniku
rozmycia typu singleton i zastosowania operacji minimum, a następnie implikacji
_
1
_
2
Mamdaniego uzyskujemy zbiory rozmyte B i B . W opisanym przykładzie
zastosowano do agregacji sumę standardową (operacja maksimum), w wyniku
czego otrzymano zbiór rozmyty B’
Przykład 6.3.
Przeanalizujmy sterownik z przykładu 6.2 z zastosowaniem implikacji Larsena
przy tych samych danych wejściowych i zastosowaniu sumy standardowej jako
operatora agregacji. Rezultat wnioskowania przedstawiono na rys. 6.6.
Sterowniki rozmyte
76
Rys.6.6. Przykład działania sterownika z implikacją Larsena o dwóch wejściach
i jednym wyjściu
6. 5. Blok wyostrzania
Jeśli na wyjściu sterownika uzyskujemy jeden zbiór rozmyty możemy
zastosować metodę środka ciężkości (ang. center of gravity method lub center of
area method).
_
Ostrą wartość y obliczmy według wzoru 6.8 (przy założeniu, że obie całki
istnieją). Rys. 6.7 przedstawia sposób wyznaczania ostrej wartości metodą środka
ciężkości.
_
 yμ B' ( y)dy
y Y
 μ B' ( y)dy
Y
Rys. 6.7. Ilustracja wyostrzania metodą środka ciężkości
(6.8)
Sterowniki rozmyte
77
Najprostszą, lecz nie uwzględniającą kształtu funkcji przynależności, jest metoda
maksimum funkcji przynależności (rys. 6.8):
_
(6.9)
μ B' ( y)  sup μ B' ( y)
Rys. 6.8. Ilustracja wyostrzania metodą maksimum funkcji przynależności
Jeśli na wyjściu sterownika otrzymujemy kilka zbiorów rozmytych (przy
zastosowaniu metody FITA) może być zastosowane wyostrzanie center average
defuzzification (ilustracja rys. 6.9). Wartość ostrą w tej metodzie wyznacza się
według wzoru:
K _
_
y
_
 yk μB
k 1
K
μB
k
(y k )
_
k
(6.10)
(y k )
k 1
_
Wartości y k , dla których funkcja przynależności zbiorów BK jest maksymalna,
nazywane są środkami (ang. center) tych zbiorów.
Rys. 6.9. Ilustracja wyostrzania metodą center average defuzzification
6. 6. Sterownik Mamdaniego-Assilana
W pierwszym historycznie systemie rozmytym opracowanym przez
Mamdaniego i Assilana zastosowano operację minimum, jako t-normę dla
łączników „I” oraz koniunkcyjną interpretację reguł. Tak więc zarówno stopień
aktywacji, jak
78
Sterowniki rozmyte
i interpretacji reguł był wynikiem działania t-normy. Sterowniki, w których
stosowane są wymienione operacje, noszą nazwę
Mamdaniego-Assilana
niezależnie od wyboru operatora agregacji oraz sposobu wyostrzania.
Przeanalizujmy działanie tego typu sterownika na prostym przykładzie.
Przykład 6.4.
Rozważmy sterownik z dwoma wejściami i jednym wyjściem sterujący obrotami
wentylatora chłodzącego w komputerze. Niech zmiennymi wejściowymi będzie
obciążenie procesora i jego temperatura. W zależności od tych wielkości
zmieniać będą się obroty wentylatora chłodzącego. Mamy więc dwie zmienne
lingwistyczne wejściowe: obciążenie procesora oraz temperatura procesora oraz
jedną zmienną lingwistyczną wyjściową: zmiana obrotów wentylatora. Zmiennej
lingwistycznej obciążenie procesora przyporządkujmy dwie wartości: małe
i duże. Zbiory rozmyte odpowiadające tym wartościom lingwistycznych
przedstawiono na rys. 6.10.
Rys. 6.10. Rozmyty podział przestrzeni obciążenie procesora wyrażone w %
Niech przestrzeń temperatur będzie również podzielona na dwa zbiory: niska
i wysoka, którym odpowiadają funkcje przynależności przedstawione na rys. 6.11.
Rys. 6.11. Rozmyty podział przestrzeni temperatura
Zmienną lingwistyczną zmiana obrotów wentylatora określono w procentach
przyrostu w przestrzeni [-90%, 90%] i przypisano jej trzy wartości: zmniejsz, nie
zmieniaj i zwiększ (rys. 6.12). Za wartość odniesienia, względem której następuje
zmiana prędkości obrotowej wentylatora przyjęto jej wartość przy temperaturze
procesora 20 °C.
Sterowniki rozmyte
79
Rys. 6.12. Zbiory rozmyte odpowiadające wartościom zmiennej lingwistycznej
„zmiana szybkości obrotów wentylatora”
Rys. 6.13. Działanie sterownika Mamdaniego-Assilana
Sterowniki rozmyte
80
Baza wiedzy została opracowana na podstawie opinii eksperta i składała się
z czterech reguł:
R(1): JEŻELI obciążenie procesora jest duże I temperatura procesora jest
wysoka TO zwiększ prędkość obrotów wentylatora
R(2): JEŻELI obciążenie procesora jest małe I temperatura procesora jest niska
TO zmniejsz prędkość obrotów wentylatora
R(3): JEŻELI obciążenie procesora jest duże I temperatura procesora jest niska
TO nie zmieniaj prędkości obrotów wentylatora
R(4): JEŻELI obciążenie procesora jest małe I temperatura procesora jest
wysoka TO zwiększ prędkość obrotów wentylatora
Aktywacja reguł przy następujących wartościach wejściowych ostrych:
obciążenie procesora równe 50% i temperatura procesora - 29°C przedstawia rys.
6.13. Po zastosowaniu sumy standardowej (max) jako operatora agregacji
otrzymano zbiór rozmyty przedstawiony w prawym dolnym rogu rysunku. Po
wyostrzeniu metodą środka ciężkości uzyskano wartość ostrą 19%. Oznacza to,
że prędkość obrotowa wentylatora powinna wzrosnąć o 19%.
Zaproponowany sterownik nie jest oczywiście modelem do praktycznych
zastosowań. Został przedstawiony tylko w celu wyjaśnienia działania tego typu
sterowników. Łatwo zauważyć, że nawet w tak prostym układzie nakład
obliczeniowy wynikający z wyostrzania jest dość duży.
6. 7. System rozmyty Takagi-Sugeno-Kanga
W systemie rozmytym Takagi-Sugeno-Kanga baza wiedzy składa się z reguł
rozmytych, w których wielkość wyjściowa jest określona funkcją o argumentach
ostrych. Reguła rozmyta o numerze k przedstawiona wzorem 5.12 w podrozdziale
5.5 przyjmuje w tym systemie postać następującą:
TO yk = Fk(x1, x2,…,xN)
(6.11)
Konkluzję tak zdefiniowanych reguł można interpretować jako singeltony
o położeniu wyznaczonym przez funkcję Fk(x1, x2,…,xN). Na wyjściu każdej
z reguł warunkowych otrzymywana jest wartość numeryczna yk. Wynik końcowy
obliczany jest jako średnia ważona wartości wyjściowych ze wszystkich reguł:
K
 wk y k
y  k 1K
w
(6.12)
k
k 1
Współczynniki wagowe dla każdej reguły są wynikiem działania t-normy na
rozmyte zbiory wejściowe, a więc można zapisać, że:
Sterowniki rozmyte
81
wk  
T
A1k
( x1 )  
T
A2k
T
( x 2 )  .....  
k
AN
(xN )
(6.13)
W sterownikach tego typu najczęściej stosowana jest funkcja liniowa. System
Takagi-Sugeno-Kanga z funkcjami liniowymi jest nazywany przełączanym
modelem regresyjnym (ang. switching regression model).
System Takagi-Sugeno-Kanga jest także interpretowany, jako konsylium
ekspertów (ang. mixture of experts), z których każdy określa związek między
wyjściem a wejściem. Jedna reguła jest modelem jednego eksperta. Zbiór reguł
jest więc dynamicznym konsylium ekspertów.
Przykład 6.5.
Zaprojektujmy sterownik Takagi-Sugeno-Kanga z dwiema wielkościami
wejściowymi: x1 i x2, zmieniającymi się w zakresie [0,1] oraz jedną wielkością
wyjściową y. Przyjmijmy, że baza składa się z następujących reguł:
R(1): JEŻELI x1 jest duże I x2 jest małe TO y1=x1+x2
R(2): JEŻELI x1 jest małe I x2 jest duże TO y2=1-2x1+x2
Ilustrację aktywacji reguł przy zmiennych wejściowych x1=0,4 oraz x2=0,6
przedstawiono na rys. 6.14. Możemy obliczyć, że:
y1 = 0,4+0,6=1,0 oraz y2= 1-0,8+0,6=0,8
Zastosujmy t-normę standardową do wyznaczania współczynników wagowych.
Otrzymamy: w1 = min(0,3; 0,2)= 0,2 oraz w2 =min(0,7;0,8) =0,7.
Wartość wyjściowa sterownika wyniesie:
y
w1 y1  w 2 y 2 0,2  1  0,7  0,8 0,76


 0,84
w1  w2
0, 2  0,7
0,9
Rys. 6.14. Rozmyte zbiory wejściowe w sterowniku Takagi-Sugeno-Kanga
opisanego w przykładzie 6.5
82
Sterowniki rozmyte
6. 8. System rozmyty Łęskiego-Czogały
W pracach Łęskiego i Czogały zaproponowano system rozmyty z
konkluzjami parametrycznymi. Idea tego typu rozwiązania polega na tym, że
parametry zbiorów rozmytych w konkluzjach mogą zależeć od wybranych
parametrów wejściowych zbiorów rozmytych, na przykład położeń ich środków
ciężkości, wysokości, szerokości itp.
Ogólną regułę wnioskowania dla tego typu systemu można przedstawić
następująco:
TO y1 jest B1k (θ) I y2 jest B2k (θ) I …I yM jest BMk(θ)
(6.14)
Występujący w powyższej regule wektor θ ma składowe będące wybranymi
parametrami zbiorów rozmytych wejściowych, na przykład ich szerokości: θ
=[szer(A1’), szer(A2’),…, szer(AN’)].
Jeżeli zbiory wejściowe są singletonami, a w konkluzjach reguł warunkowych są
zbiory rozmyte o stałym położeniu, to system ten przechodzi w MamdaniegoAssilana. Jeśli w konkluzjach reguł warunkowych są singeltony, system jest
równoważny systemowi Takagi-Sugeno-Kanga.
Opis powyższych systemów nie wyczerpuje wszystkich możliwości zastosowań
reguł warunkowych w sterownikach rozmytych. Zachęcam Czytelnika do
poznania innych ciekawych rozwiązań na podstawie dołączonego wykazu
literatury [5, 8, 14, 20, 24].
ROZDZIAŁ 7
ROZMYTE ROZPOZNAWANIE WZORCÓW
7.1. Podstawy automatycznego rozpoznawania wzorców………………84
7.2. Grupowanie rozmyte………………………………………………..84
7.2.1. Rozmyty algorytm c-średnich……………………………….85
7.2.2. Algorytm Gustafsona-Kessela………………………………88
7.2.3. Ocena jakości grupowania…………………………………..88
7.3. Klasyfikatory rozmyte……………………………………………...89
Rozmyte rozpoznawanie wzorców
84
7.1. Podstawy automatycznego rozpoznawania wzorców
Automatyczne rozpoznawanie wzorców (ang. pattern recognition) jest
procedurą poszukiwania pewnych struktur danych i klasyfikowania tych struktur
do określonych kategorii. Obecnie wykorzystuje się systemy automatycznego
rozpoznawania
pisma,
obrazów
medycznych,
elektrokardiogramów,
elektroencefalogramów, mowy, mówców, twarzy, klasyfikacji chromosomów
i wiele innych.
W procesie automatycznego rozpoznawania wzorców można wyróżnić cztery
podstawowe etapy (rys. 7.1) Pierwszy (przetwarzanie wstępne) obejmuje
reprezentację danych uzyskanych eksperymentalnie z badanego obiektu.
Generalnie dany obiekt jest reprezentowany przez wektor zmiennych
pomiarowych x = [x1, x2, …,xN]. W etapie drugim (parametryzacja) następuje
wyodrębnienie parametrów istotnych dla rozpoznawania określonego rodzaju
danych. Następny etap koncentruje na grupowaniu wyodrębnionych parametrów,
w wyniku czego zostaje zredukowany wymiar wektora wejściowego. Ostatnim
problemem jest dobór odpowiedniej procedury klasyfikacji, która będzie
przypisywała daną grupę parametrów do określonej kategorii. Jak widać na rys.
7.1 (strzałka przerywana) grupowanie danych może być pominięte w procesie
rozpoznawania jakkolwiek w bardzo wielu procedurach stanowi istotny jego etap.
W procesie rozpoznawania często stosowane są procedury naśladujące zdolności
klasyfikacyjne człowieka z uwzględnieniem nieostrych granic dzielących grupy
i kategorie. W tych metodach uzasadnione jest zastosowanie logiki rozmytej
zarówno w procesie grupowania, jak również klasyfikacji (na rys. 7.1 etapy,
w których stosowana jest logika rozmyta wyróżnione zostały podwójnymi
liniami).
dane
wejściowe
przetwarzanie
wstępne
parametryzacja
grupowanie
klasyfikacja
Rys. 7.1. Ogólny schemat rozpoznawania wzorców
Grupowanie (ang. clustering) jest ważnym problemem rozpoznawania, gdyż
wiąże się z redukcją wymiarowości wektora wejściowego. Jak już wspomniano
w bardzo wielu przypadkach granice poszczególnych grup nie są ostre. Z tego
względu stosowaną techniką jest grupowanie rozmyte (ang. fuzzy clustering).
7.2. Grupowanie rozmyte
Grupowanie danych, czyli podział dużego zbioru danych na podobne pod
85
względem pewnych cech obiekty (lub sytuacje), to jedna z podstawowych
zdolności organizmów żywych. Pozwala na zrozumienie, systematyzację,
tworzenie modeli, a także ich klasyfikację. Idea grupowania polega na podziale
zbioru N obserwacji na c klas. Tradycyjne algorytmy grupowania mogą być
stosowane wtedy, gdy potencjalne grupy są dobrze odseparowane, czyli dany
wektor danych należy tylko do jednej grupy. W praktyce często występują jednak
grupy bez wyraźnych granic, w których dane mogą należeć częściowo do kilku
grup. Dlatego coraz szersze zastosowanie w tych aplikacjach, np: tworzonych dla
celów medycznych, znajdują metody grupowania rozmytego. Obecnie jest wiele
algorytmów grupowania rozmytego, z których najbardziej popularny jest rozmyty
algorytm c-średnich (ang. fuzzy c-means algorithm).
7.2.1 Rozmyty algorytm c-średnich
Algorytm c-średnich został opracowany w celu rozwiązania problemów
optymalizacyjnych przez Bezdeka (1981).
Dla przejrzystości opisu oznaczmy numer wektora wejściowego przez n
(n=1,2,..N). Niech każdy n-ty wektor będzie K-wymiarowy. xn={xn,1,
xn,2,…,xn,k,…,xn,K}. Podzielmy zbiór N wektorów wejściowych na c podzbiorów
rozmytych A1, A2,…,Ac przypisując każdemu z wektorów stopnie przynależności
do tych podzbiorów. Dla n-tego wektora będzie to zbiór {μ1(xn), μ2(xn),…,
μi(xn),…,μc(xn)}, czyli każdy wektor wejściowego przynależy w określonym
stopniu do wszystkich podzbiorów rozmytych. Powinien być oczywiście
zachowany warunek, że suma stopni przynależności do wszystkich grup dla
danego wektora wejściowego jest równa 1 (wzór 7.1):
c
 μ i (x n )  1
(7.1)
i 1
Każdemu zbiorowi rozmytemu przypisywane jest centrum vi (i = 1, 2, …c), które
również jest K-wymiarowym wektorem vi ={vi,1, vi,2,…,vi,K}. Wektor (i-ty)
centralny jest wyliczany według wzoru:
N
 [μ i(xn)]mxn
vi 
n 1
N
(7.2)
m
 [μ i(xn)]
n 1
Występujący we wzorze 7.2 parametr m>1 jest liczbą rzeczywistą regulującą
wpływ stopni przynależności. Wektor vi będący centrum grupy jest średnią
ważoną wektorów wejściowych.
Grupowanie polega na minimalizacji funkcji kryterialnej, która jest określona
wzorem:
c
Jm 
N
m
  [μ i (xn )]
i 1
n 1
d 2 (x n , v i )
(7.3)
86
d 2 ( xn , v i ) jest odległością n-tego wektora wejściowego od centrum i-tej grupy.
Stosowana jest odległość euklidesowa:
d 2 (x n , v i )  ( v i  x n )T ( v i  x n )
(7.4)
Rozwiązanie problemu grupowania sprowadza się do znalezienia centrów, dla
których funkcja Jm osiąga wartość minimalną.
Algorytm rozmytych c-średnich składa się z następujących kroków:
1. Przyjęcie wartości c i m, wprowadzenie wskaźnika iteracji t=0
i przypisanie wektorom danych wejściowych w sposób losowy wartości stopni
przynależności μit(xn) do c zbiorów rozmytych. Funkcje przynależności muszą
spełniać warunek 7.1.
2. Obliczenie centrów vit (t – krok iteracji) według wzoru 7.2 oraz funkcji Jmt
zgodnie ze wzorem 7.3
3. Obliczenie nowych wartości funkcji przynależności zgodnie ze wzorem:
μ it 1 ( xn ) 
[d ( x n , v j
2
1

)] m
c
 [d (x n , v j
(7.5)
2
]1 m
j1
Jeśli mianownik byłby równy 0 przyjmuje się μ it 1( xn ) =0.
4. Obliczenie nowych centrów funkcji przynależności vit+1 według wzoru 7.2 i
funkcji Jmt+1 ze wzoru 7.3.
5. Porównanie Jm.. Jeśli Jmt+1-Jm >ε (ε - wartość przyjęta jako minimalne
odchylenie) zwiększenie wskaźnika iteracji o 1 (t = t+1) i skok do punktu 2, w
przeciwnym razie stop.
Parametr m w rozmytej metodzie c-średnich wpływa na stopień rozmycia
powstających grup. Są one tym bardziej rozmyte im parametr m ma większą
wartość.
Przykład 7.1.
Rozważmy przykład grupowania 15 dwuwymiarowych danych (n- numer
wektora wejściowego) opisany przez Bezdeka w 1981 r. Zbiór danych
zamieszczono w tabeli 7.1. Może być rozumiany, jako zbiór punków na
płaszczyźnie (rys. 7.2). Na rys. 7.2 zaznaczono zaczernionymi kółkami
wyznaczane metodą c-średnich punkty centralne.
Tabela 7.1 Dane wejściowe w przykładzie 7.1
n
xn,1
xn,2
1
0
0
2
0
2
3
0
4
4
1
1
5
1
2
6
1
3
7
2
2
8
3
2
9
4
2
10
5
1
11
5
2
12
5
3
13
6
0
14
6
2
15
6
4
87
5
4
3
2
1
0
0
1
2
3
4
5
6
7
Rys. 7.2. Ilustracja do przykładu 7.1
Punkty centralne uzyskano po t=6 iteracjach. Ich współrzędne to odpowiednio V1
=[0,88; 2] i V2 = [5,14; 2]. Kolejne etapy procedury przebiegały następująco.
W pierwszym kroku przyjęto że c=2 oraz podzielono dane wejściowe na dwa
zbiory rozmyte przyjmując, że stopień przynależności do pierwszego z nich jest
dla każdego wektora równy 0,854. Zgodnie z warunkiem, że suma stopni
przynależności dla danego wektora do wszystkich zbiorów rozmytych powinna
być równa 1 (wzór 7.1), otrzymujemy stopień przynależności równy 0,146 do
drugiego zbioru rozmytego w kroku pierwszym. Tak więc na początek mamy
dwa następujące zbiory rozmyte:
A1 = 0,854/x1 + 0,854/x2 +…+0,854/x15
A2 = 0,146/x1 + 0,146/x2 +…+0,146/x15
Po t=6 iteracjach funkcje przynależności kolejnych wektorów do zbiorów
rozmytych A1 i A2 oznaczone jako μ1(Xn) oraz μ2(Xn) były następujące:
Tabela 7.2.Funkcje przynależności do zbiorów rozmytych A1 i A2 w przykładzie
7.1
n
1
2
3
4 5
6
7
8
9
10
11
12
13
14
15
μ1(Xn)
0,99
1
0,99
1
1
1
0,99
0,47
0.01
0
0
0
0,01
0
0,01
μ2(Xn)
0,01
0
0,01
0
0
0 0,01
0,53
0,99
1
1
1
0,99
1
0,99
Łatwo zauważyć, że na granicy dwóch zbiorów znajduje się dana 8 [3,2], która
przynależy w stopniu 0,47 do zbioru rozmytego A1 i 0,53 do A2.
W przedstawionej metodzie zakłada się, że grupy mają jednakowy kształt
geometryczny. Opracowano wiele algorytmów rozszerzających tą metodę
i pozwalających na przypisanie poszczególnym grupom różnych kształtów
geometrycznych. Jednym takich algorytmów jest metoda Gustafsona i Kessela.
88
7. 2. 2. Algorytm Gustafsona-Kessela
Algorytm Gustafsona-Kessela pozwala na różnorodność kształtów
poszczególnych grup. Każdej grupie jest w nim przypisywana odrębna,
modyfikowana w działaniu algorytmu, macierz Ai. Odległość obiektu od środka
grupy jest określana zależnością:
d 2 (x n , v i )  (v i  x n ) T A i ( v i  x n )
(7.6)
Funkcja kryterialna jest wyznaczana podobnie jak w rozmytym algorytmie cśrednich (wzór 7.3). Poprawne działanie algorytmu wymaga ograniczenia
macierzy Ai, np. poprzez przyjęcie pewnej wartości ich wyznaczników (det(Ai)):
det( A i )  ρi
(7.7)
Wartości ρi są przyjmowane na podstawie wiedzy o grupowanych danych. Jeśli
takiej wiedzy nie ma, wstawia się ρi=1 dla wszystkich grup.
Modyfikacja macierzy Ai jest wynikiem minimalizacji kryterium (wzór 7.3) i
w związku z tym:
A i  ρ i [det( Fi )]1 / p Fi 1
Fi –rozmyta macierz kowariancji i-tej grupy:
(7.8)
N
 [μ i (x n )]m ( v i  x n ) T ( v i  x n )
Fi 
n 1
N
 [μ i (x n )]
(7.9)
m
n 1
Algorytm składa się z następujących kroków:
1. Przyjęcie wartości c i m, ρi, wprowadzenie wskaźnika iteracji t=0
i przypisanie wektorom danych wejściowych w sposób losowy wartości stopni
μit (xn) przynależności do c zbiorów rozmytych
2. Obliczenie Fit według wzoru 7.9 i Ait wg wzoru 7.8
3. Obliczenie [d 2 ( x n , v i )] wg wzoru 7.6 dla wskaźnika iteracji t
4. Obliczenie centrów vit (t – krok iteracji) według wzoru 7.2 oraz funkcji Jmt
zgodnie ze wzorem 7.3 z odległością wg wzoru 7.6.
5. Obliczenie nowych wartości funkcji przynależności zgodnie ze wzorem 7.5
z podstawieniem odległości ze wzoru 7.6.
6. Obliczenie nowych centrów funkcji przynależności vit+1 według wzoru 7.2
i funkcji Jmt+1 ze wzoru 7.3 ( z odległością wyznaczaną wg 7.6).
7. Porównanie Jm.. Jeśli Jmt+1-Jm >ε (ε - wartość przyjęta jako minimalne
odchylenie) t= t +1 i skok do punku 2, w przeciwnym razie stop.
7.2.3. Ocena jakości grupowania
Opisane algorytmy
wymagają wstępnego określenia liczby punktów
centralnych. Jest jednak wiele sytuacji, kiedy liczba potencjalnych grup nie jest
znana. Wtedy należy wykonać grupowanie dla różnej liczby grup i dla każdego
89
podziału dokonać oceny jego jakości przy wykorzystaniu wskaźników jakości
grupowania, które zostaną przedstawione poniżej.
Najprostszym wskaźnikiem jest stopień rozmycia macierzy podziału V1:
1 c N
(7.10)
μ i ( xn )
N i 1 n 1
Podział jest wtedy optymalny, gdy wskaźnik ten osiąga wartość maksymalną.
Sytuacja taka jest wtedy, gdy każdy wektor xn jest bardzo silnie związany z jedną
tylko grupą. Oznacza to, że stopnie przynależności do każdej grupy są duże,
a więc w rezultacie wartość wskaźnika V1 jest duża.
Inny wskaźnik V2 określa entropię podziału:

V1 
1 c N
(7.11)
  i ( xn ) ln[ i (xn )]
N i 1n 1
Optymalnym podziałem jest taki, dla którego wartość wskaźnik V2 jest
minimalny.
Wskaźniki V1 i V2 zależą od liczby grup natomiast pozostają bez związku
z kształtem geometrycznym ich powierzchni. Wskaźnik Fukuyamy-Sugeno V3
umożliwia taki związek.
V2  
c
V3 
N
_
[μ i (xn )]m [d 2 (xn , v n )  d 2 (xn , v)]
(7.12)
i1 n 1
1 N
(7.13)
xn
N n 1
Optymalny podział jest uzyskany przy minimalnej wartości tego wskaźnika.
Wskaźnik Xie-Bieni V4 jest wyliczany na podstawie ilorazu średniej odległości
_
v

wszystkich odległości i najmniejszej odległości między grupami d 2 ( v i , v j ) :
c
N
 [μ i (x n )] m d 2 (x n , v n )
V4 
i 1 n 1
N min[ d 2 ( v i , v j )]
(7.14)
Optymalny podział jest uzyskiwany przy minimalizacji tego wskaźnika.
7.3. Klasyfikatory rozmyte
Wnioskowanie rozmyte znajduje zastosowanie praktyczne w rozwiązaniach
klasyfikatorów rozmytych w tych przypadkach, w których niemożliwe jest
ustalenie wyraźnych granic między kategoriami. Klasyfikator rozmyty zawiera
podstawowe elementy sterownika rozmytego (rys. 7.3). Dane wejściowe po
przetworzeniu wstępnym i parametryzacji są rozmywane. Następnie
przeprowadzane jest wnioskowanie rozmyte i na tej podstawie zaliczenie danych
wejściowych do określonej kategorii.
90
Rys. 7.3. Schemat blokowy klasyfikatora rozmytego
Działanie jednego z rozmytych systemów rozpoznających zostało opisane na
przykładzie procedury do automatycznej detekcji niepłynności mowy.
Przedstawiona poniżej procedura automatycznego rozpoznawania niepłynności
mowy przy zastosowaniu wnioskowania rozmytego została opracowana w celu
komputerowego wspomagania diagnozy logopedycznej. W chwili obecnej
praktycznie jedynym narzędziem diagnostycznym jest ucho logopedy. Bardzo
rzadko w poradniach dokonuje się bieżących nagrań wypowiedzi osób
poddawanych terapii i śledzenia na ich podstawie efektów działań korekcyjnych.
Spowodowane to jest brakiem nieskomplikowanych narzędzi do analizy takich
zapisów. Jąkanie jest najbardziej złożonym zaburzeniem mowy. Ocena ostrości
tego zaburzenia, a także postępów terapii wymaga określenia częstości
pojawiania się danego rodzaju niepłynności (którymi mogą być przedłużenia
głosek, powtórzenia głosek i sylab, bloki, wtrącenia) oraz pomiarów czasów ich
trwania. Ważne w diagnozie jest także określenie akustycznych i lingwistycznych
uwarunkowań pojawiania się niepłynności u poszczególnych osób. Okazuje się,
że dla bardzo wielu osób, zwłaszcza dorosłych, które zmagają się z tym
zaburzeniem, istnieją pewne słowa, przy których trudności w mówieniu pojawiają
się szczególnie często. Jest też tendencja do częstszych niepłynnych realizacji
słów rozpoczynających się od pewnych głosek. Dotyczy to głosek trących,
nosowych i zwartych. Niepłynności przy realizacji tych głosek wynikają często
z niekontrolowanych, utrzymujących się przez długi czas skurczów mięśni
artykulacyjnych – tzw. blokad i stanowią jedną z cięższych form jąkania.
W przypadku głosek trących i nosowych wynikiem takiego skurczu jest
przedłużenie dźwięku. Podczas wypowiadania głosek zwartych niepłynności
mają charakter wielokrotnych krótkich impulsowych artykulacji przedzielonych,
często bardzo długo trwającymi, okresami tzw. napiętej przerwy (ang. tense
pause) lub wtrąconym dźwiękiem. Te cechy powtarzają się w wypowiedziach
różnych osób i stanowić mogą akustyczną podstawę automatycznego
rozpoznawania tego rodzaju zaburzeń. W przypadku tak złożonego zaburzenia
91
nie da się jednak ustalić ostrych granic pomiędzy mierzalnymi parametrami,
dlatego celowe jest zastosowanie logiki rozmytej. Dla przykładu jedną z cech
dystynktywnych tego rodzaju niepłynności jest czas trwania oddzielonego
przerwami fragmentu mowy. Jeśli jest „krótki” istnieje prawdopodobieństwo
niepłynnej głoski zwartej. Nie można jednak ustalić ostrej granicy pozwalającej
na zaliczenie danego odcinka do zbioru „krótki”. Podobnie z innymi
parametrami.
System rozpoznający pobierał dane z plików dźwiękowym zarejestrowanych
przy zastosowaniu karty dźwiękowej [21]. Reprezentowały one przebiegi
wartości ciśnienia akustycznego w funkcji czasu. Sygnały te zostały
przetworzone na reprezentacje częstotliwościowe przy wykorzystaniu algorytmu
szybkiej transformaty Fouriera (ang. Fast Fourier Transform – FFT) z
zastosowaniem okna Hamminga o szerokości 512 próbek (przy częstości
próbkowania 20050 Hz). Otrzymane przebiegi spektralno-czasowe poddano
filtracji przy wykorzystaniu 21 cyfrowych filtrów 1/3-oktawowych. Taki sposób
przetwarzania przybliża analizę do percepcji układu słuchowego człowieka, który
może być przedstawiony jako zbiór filtrów pasmowych. Ponieważ subiektywna
głośność dźwięku zależy nie tylko od poziomu natężenia dźwięku, ale również od
częstotliwości, zastosowano filtr korekcyjny A, symulujący sposób odbioru
dźwięku przez ucho ludzkie. Średni poziom natężenia dźwięku obliczono jako
średnią wartość we wszystkich filtrach w każdej chwili czasowej. Na rys. 7.4
przedstawiono wynik przetworzenia fragmentu mowy niepłynnej.
Rys. 7.4. Średni poziom dźwięku w wypowiedzi niepłynnej
Podstawą do opracowania zastosowanej w tym systemie bazy wiedzy były
pomiary czasów trwania fragmentów mowy i poprzedzających je oraz
następujących po nich przerw, charakteryzujących ten typ niepłynności oraz
mowę płynną. Znalezione różnice posłużyły jako podstawa do opracowania
procedur do automatycznej detekcji tych epizodów.
W przypadku tak złożonego zaburzenia nie da się jednak ustalić ostrych granic
pomiędzy mierzalnymi parametrami, dlatego autorzy zastosowali logikę rozmytą.
Dla przykładu jedną z cech dystynktywnych tego rodzaju niepłynności jest czas
trwania, oddzielonego przerwami, fragmentu mowy. Jeśli sygnał odpowiadający
temu fragmentowi jest krótki istnieje prawdopodobieństwo że jest to niepłynna
92
realizacja głoski zwartej. Nie można jednak ustalić ostrej granicy pozwalającej na
zaliczenie danego odcinka do zbioru krótki. Podobnie jest też z innymi
parametrami
Niepłynności podczas wypowiadania słów rozpoczynających się od głosek
zwartych wybrano z wypowiedzi 11 osób z różnych okresów terapii. Pochodziły
one z tekstów czytanych, monologów (opisów rysunków) oraz rozmów z osobą
prowadzącą badanie.
Wybierano ok. 4-sekundowe odcinki mowy, przy czym każdy zawierał
niepłynny fragment wraz z jego płynnym otoczeniem. Każdemu z tych odcinków
przyporządkowano płynną identyczną wypowiedź tej samej osoby w sytuacji
mówienia z echem oraz osoby mówiącej płynnie. Płynnymi mówcami byli
studenci. Posługując się programami do edycji oscylogramów i spektrogramów
(Creative WaveStudio i Gram) zmierzono następujące wielkości:1) Czas trwania
wybuchowego fragmentu mowy charakteryzującego głoski zwarte (w dalszej
części opisu skrótowo będą nazywane „czasem trwania głoski zwartej”). 2) Czas
trwania przerw otaczających te fragmenty w wypowiedziach niepłynnych
i płynnych.
W płynnych realizacjach większość czasów trwania tych fragmentów nie
przekracza 50 ms. Podczas niepłynnych realizacji zdarzają się dłuższe przebiegi,
ale większość z nich nie przekracza 70 ms. Identyfikacja niepłynnej realizacji
głoski zwartej jest możliwa poprzez znalezienie krótkich oddzielonych przerwami
fragmentów wypowiedzi. Tak więc parametrami do identyfikacji tych epizodów
są czasy trwania fragmentów i otaczających przerw. Automatyczna detekcja
niepłynnych głosek zwartych realizowana była poprzez analizę przebiegu
czasowego poziomu średniego. Pierwszym krokiem detekcji był pomiar czasów
trwania fragmentów ciągłych mowy i przerw je otaczających. Czasy trwania
fragmentów mowy i przerw między nimi były wyznaczane wg algorytmu
składającego się z następujących etapów:
1) Znalezienie początkowego (pj) i końcowego (ej) momentu danego (j-tego)
fragmentu mowy według formuł:
pj=0,5t [sign(x(t)-Lsz)-sign(x(t-1) – Lsz)]dt
ej=0,5t [sign(x(t)-Lsz)-sign(x(t-1) – Lsz)]gt
gdzie: t - numer kolejnej próbki czasowej, x(t) – średni poziom, Lsz – poziom
szumu, natomiast funkcje sign oraz dt i gt wyznaczono według wzorów:
 1 dla x( t )  0
sign x( t )  
 1 dla x( t )  0
x( t )

x( t )

1 dla t  0
1 dla t  0
dt  
gt  
x( t )
x( t )
0 dla
0
0 dla
0

t

t

x( t ) x( t )  Lsz  ( x( t  1 )  Lsz )

 x( t )  x( t  1 )
t
t  (t  1)
2) Wyznaczenie czasu trwania kolejnego j-tego fragmentu: S(j)=ej-pj
93
3) Wyznaczenie czasu trwania przerwy poprzedzającej (B – before): B(j)=pj-ej-1
(j-ty) fragment oraz następującej po nim (A – after) A(j)=pj+1 –ej.
Na podstawie danych pomiarowych i opinii dwu ekspertów podzielono
przestrzenie czasów trwania na zbiory rozmyte krótki, średni, długi (rys. 7.5)
Rys. 7.5. Funkcje przynależności do zbiorów rozmytych: krótki, średni, długi czas
fonacji i czas przerwy
Bazę wiedzy opracowano w oparciu o opisane wcześniej wyniki pomiarów.
Początkowo zaproponowano 15 reguł, które zamieszczono w tabeli 7.3.
Poszczególne wartości rozmyte są połączone spójnikiem AND.
Tabela 7.3. Pierwotna baza reguł rozmytych do rozpoznawania niepłynności przy
artykulacji głosek zwartych
Nr
reguły
Czas
trwania
fragmentu
mowy (S)
Czas
trwania
przerwy
przed
fonacją
(B)
Czas
trwania
przerwy
po fonacji
mowy (A)
Sąsiedztwo
Klasyfikacja
1
krótki
długi
długi
niepłynne
2
krótki
średni
długi
niepłynne
3
krótki
długi
średni
niepłynne
prawdopodobnie
niepłynne
średni
średni
niepłynne
prawdopodobnie
niepłynne
4
krótki
5
średni
długi
długi
niepłynne
prawdopodobnie
niepłynne
6
średni
długi
średni
niepłynne
prawdopodobnie
niepłynne
7
średni
średni
długi
niepłynne
prawdopodobnie
niepłynne
94
niepłynne
prawdopodobnie
niepłynne
8
średni
średni
średni
9
krótki
krótki
krótki
płynne
10
krótki
średni
krótki
płynne
11
krótki
krótki
średni
płynne
12
średni
krótki
średni
płynne
13
średni
średni
krótki
płynne
14
średni
krótki
krótki
płynne
15
długi
płynne
Po dokładnej analizie zamieszczonych tu reguł widać, że można je zredukować
do trzech, a mianowicie:
R(1): JEZELI S krótki I A długi I B niekrótki TO niepłynne
Jest to wynik połączenia reguł 1 i 2 z tabeli 7.3.
R(2): JEŻELI S niedługi I A niekrótki I B niekrótki I sąsiedztwo niepłynne
TO prawdopodobnie niepłynne
Jest to wynik połączenia reguł 3-8 z tabeli 7.3
JEŻELI B krótki LUB A krótki LUB S długi TO płynne
Jest to wynik połączenia reguł 9-15.
Wartość lingwistyczna S_niedługi była określona jako dopełnienie zbioru
S_długi: μS_niedługi = μ¬S_długi = 1 – μS_długi
Wartości lingwistyczne A_niekrótki i B_niekrótki były określone jako dopełnienia
zbiorów B_krótki i A_krótki (rys. 7.5).
μA_niekrótki= μ¬A_krótki= 1- μA_krótki
μB_niekrótki= μ¬B_krótki = 1- μB_krótki
Rys. 7.5. Funkcje przynależności do zbiorów rozmytych: krótki, niedługi, długi
czas fonacji oraz krótki, niekrótki, długi czas przerwy
95
Wprowadzono dodatkową zmienną „wskaźnik kryterialny”, której przypisano
funkcje przynależności do zbiorów rozmytych: płynne, prawdopodobnie płynne
i niepłynne (rys. 7.6).
Rys. 7.6. Funkcje przynależności do zbiorów rozmytych: płynne (p),
prawdopodobnie niepłynne (pn), niepłynne(n).
We wnioskowaniu zastosowano T-normę i S-normę Zadeha oraz implikację
Mamdaniego. Uaktywnienie reguły 1 powoduje sprowadza się do obliczenia:
μn(j) = min [μS_krótki (j), μA_długi (j), μB_niekrótki (j)]
Uaktywnienie reguły 2 to obliczenie:
μsąsiedztwo niepłynne(j)=μniepłynne(j-1)
μ prawdopodobnie niepłynne (j) = min[μS_niedługi(j), μA_niekrótki(j), μB_niekrótki(j),
μsąsiedztwo niepłynne(j)]
Rozmyty zbiór sąsiedztwo niepłynne to wynik wnioskowania rozmytego dla
poprzedniego fragmentu (j-1).
3. Uaktywnienie reguły 3 prowadzi do obliczenia :
μp(j) = max[μB_krótki (j), μA_krótki(j), μS_długi(j)]
Na wyjściu otrzymywano trzy zbiory rozmyte, można więc go określić, jako
system o wielu wejściach i wielu wyjściach (MIMO porównajmy podrozdział
5.5). Logiczne jest więc zastosowanie metody wyostrzania center average
defuzzification. Jeśli tak wyznaczona wartość wskaźnika kryterialnego jest
większa od 2 program uznaje dany fragment za niepłynną artykulację głoski
zwartej.
Procedura została zweryfikowana na podstawie 150-ciu 4-sekundowych
wypowiedzi jedenastu osób jąkających się, z czego połowa zawierała
niepłynności związane z artykulacją głosek zwartych, a połowa była płynna.
Dokładność identyfikacji niepłynnych fragmentów wynosiła około 95%.
W wypowiedziach płynnych nie stwierdzono pomyłkowych identyfikacji
niepłynności.
ROZDZIAŁ 8
MIARY ROZMYTE
8.1. Miary przekonania i domniemania…………………………………97
8.2. Teoria możliwości…………………………………………………..99
8.3. Porównanie teorii możliwości i prawdopodobieństwa…………….101
8.4. Stwierdzenia w języku naturalnym a teoria możliwości…………..102
8.5. Redukcja niepewności informacji…………………………………104
Miary rozmyte
97
8.1. Miary przekonania i domniemania
Zbiory rozmyte pozwalają na matematyczny opis niepewności wynikającej
z niemożliwości wyznaczenia ostrej granicy między obiektami. Taką niepewność
określa się również jako niewyraźność (ang. vagueness). Innego rodzaju
niepewność, zwana też nieokreślonością (ang. ambiguity) wiąże się z brakiem
dostatecznej wiedzy pozwalającej na zaliczenie obiektu do danego zbioru ostrego.
Do opisu tego typu niepewności stosowane są miary rozmyte (ang. fuzzy
measure). Dla przykładu: przy podziale osób o znanym wzroście na wysokie
i niskie korzystamy ze zbiorów rozmytych. Natomiast w sytuacji, gdy nie znamy
wzrostu osoby, a mamy ją zaliczyć do zbioru ostrego osoby o wzroście od 160
cm do 170 cm, skorzystamy z miar rozmytych. Pojęcie miara rozmyta zostało
wprowadzone przez Sugeno. Może być ona rozumiana, jako stopień przekonania
(wiary), że dany element (czy zmienna) należy do wybranego zbioru. Różni się
ona zasadniczo od miary probabilistycznej (ang. probabilisty measure), która
określa prawdopodobieństwo w przestrzeni zdarzeń. Przede wszystkim miara
rozmyta nie jest addytywna w przeciwieństwie do miary probabilistycznej.
Wyróżniamy dwie miary rozmyte: miarę przekonania (ang. belief measure)
i miarę domniemania (ang. plausibility measure). Są one podstawą teorii
Dempstera-Schafera zwanej teorią dowodów (ang. evidence theory).
Miara przekonania Bel(A) może być rozumiana, jako stopień pewności, że
dany element należy do zbioru A. Definiuje się ją jako sumę liczb określających
prawdopodobieństwa przynależności tego elementu do zbiorów Bk zawierających
się w zbiorze A:
Bel(A ) 
m( B k )
(8.1)

Bk  A
Miara domniemania Pl(A) jest definiowana jako suma liczb określających
prawdopodobieństwa przynależności danego elementu do zbiorów mających
niezerową część wspólną ze zbiorem A:
Pl( A) 
(8.2)
 m( B k )
B k A  O
Miary: przekonania i domniemania są ze sobą powiązane następującymi
zależnościami:
Pl( A)  1  Bel(A)
(8.3)
Bel(A )  1  Pl(A)
(8.4)
Przykład 8.1
Chory zgłasza się do lekarza z objawami typowymi dla trzech chorób: a, b, c.
Zadaniem lekarza jest postawić diagnozę, czyli stwierdzić, czy pacjent należy do
zbioru: A (osób chorych na a), B (chorych na b), C (chorych na c). Lekarz stawia
diagnozę na podstawie swoich doświadczeń, czyli prawdopodobieństw
wystąpienia danego schorzenia przy tych objawach. Występują tu następujące
możliwe przyporządkowania do zbiorów A, B, C: A  B, A  C, B  C, oraz
Miary rozmyte
98
A  B  C. Przykładowe wartości liczb prawdopodobnych i miar rozmytych
przedstawiono w tabeli 8.1.
Tabela 8.1. Dane do przykładu 8.1.
zbiór
m
Bel
A
0,04
0,04
B
0,06
C
Pl
Bel
Pl
0,70
0,96
0,30
0,04
0,85
0,96
0,15
0,03
0,03
0,80
0,97
0,20
AB
0,10
0,20
0,97
0,80
0,03
AC
0,08
0,15
0,94
0,85
0,06
BC
0,21
0,30
0,96
0,70
0,04
ABC
0,48
1
1
0
0
Jeżeli brana pod uwagę jest opinia dwóch ekspertów, liczby prawdopodobne
oblicza się ze wzoru Dempstera- Shafera. Dla zbioru niepustego (A≠ Ø) stosuje
się wzór 8.5. Jeśli A jest zbiorem pustym to m1,2(A)=0.
m 1 (B i )  m 2 (B j )

m1, 2 ( A) 
Bi  B j  A
1
(8.5)
 m1 ( B i )  m 2 ( B j )
Bi  Bj Ø
Przykład 8.2.
Dwóch ekspertów ocenia prawdziwość znalezionego obrazu, podając
prawdopodobieństwa, że należy on do zbioru A (oryginał) albo do zbioru B
(falsyfikat). Podane przez nich liczby prawdopodobne oraz miary rozmyte
przedstawiono w poniższej tabeli.
zbiór
A
B
AB
m1, 2 ( A) 

m1
0,1
0,3
0,6
Bel1
0,1
0,3
1
m2
0,3
0,4
0,3
Bel2
0,3
0,4
1
m1,2
0,276
0,517
0,207
Bel1,2
0,276
0,517
1
m1 (A)  m 2 (A) + m1 (A)  m 2 (A  B) + m1 ( A  B)  m 2 (A)

1  m1 ( A)  m 2 (B)  m1 (B)  m 2 (A )
0,03  0,03  0,18 0, 24

 0, 276
1  0,04  0,09
0,87
Miary rozmyte
m1, 2 ( B) 

99
m1 (B)  m 2 B) + m1 (B)  m 2 (A  B) + m1 ( A  B)  m 2 (B)

1  m1 (A)  m 2 (B)  m1 (B)  m 2 (A )
0,12  0,09  0,24 0,43

 0,517
0,87
0,87
m1, 2 ( B) 
m 1 (A  B)  m 2 (A  B)
0,18

 0,207
1  m 1 (A)  m 2 (B)  m 1 (B)  m 2 (A ) 0,87
8.2. Teoria możliwości
Teoria dowodów bazująca na miarach przekonania i domniemania wiąże się
z teorią możliwości (ang. possibility theory) dla tzw zbiorów zagnieżdżonych
(ang. nested sets). Grupa zbiorów
A={A1, A2, …An} jest nazywana
zagnieżdżoną jeśli A i  A i 1 dla wszystkich i =1,2,…n-1 (rys. 8.1).
Rys. 8.1. Zbiory zagnieżdżone
Teoria możliwości została opracowana przez L.A. Zadeha i oparta jest na teorii
zbiorów rozmytych. W teorii tej wprowadzono dwie miary: miarę konieczności
(ang. necessity measure) oraz miarę możliwości (ang. possibility measure). Miara
konieczności (Nec(A)) oznacza stopień przekonania o konieczności zajścia
zdarzenia A, natomiast miara możliwości (Poss(A)) może być interpretowana,
jako możliwość zajścia tego zdarzenia. Pomiędzy tymi miarami istnieją
następujące związki :
Nec (A )  1  Poss(A)
(8.6)
Poss(A )  1  Nec (A)
Można je interpretować następująco: konieczność oznacza brak możliwości
istnienia zdarzenia przeciwnego, możliwość brak konieczności zajścia zdarzenia
przeciwnego.
Wysoki stopień możliwości zdarzenia A nie oznacza niskiej wartości możliwości,
że takie zdarzenie nie zajdzie, również niska wartość konieczności nie implikuje
niskiej wartości jej braku tak więc:
Poss(A )  Poss(A)  1
(8.7)
Nec (A )  Nec(A)  1
Miary te spełniają następujące warunki:
Miary rozmyte
100
Poss(A  B)  max [Poss(A), Poss(B)]
(8.8)
Nec (A  B)  min[ Nec (A ), Nec (B)]
Miara możliwości (Poss(A)) jest jednoznacznie określona na podstawie funkcji
rozkładu możliwości (ang. possibility distribution function) - r(x), która zawiera
się w przedziale [0,1]. Funkcja r(x) pełni tak ważną rolę w teorii możliwości, jak
funkcja rozkładu prawdopodobieństwa w teorii prawdopodobieństwa. Dla
zbiorów nieskończonych:
Poss(A )  sup r(x)
(8.9)
xA
W przypadku zbiorów skończonych zamiast funkcji supremum występuje funkcja
maksimum.
Miary możliwości są określane przy zastosowaniu teorii zbiorów rozmytych.
W stwierdzeniu „x jest A” funkcja rozkładu możliwości jest równa funkcji
przynależności do zbioru A: r(x) = μA(x). Wynika to z faktu, iż zbiory rozmyte
również bazują na zbiorach zagnieżdżonych a mianowicie α-przekrojach.
Przykład 8.3
Utwórzmy zbiór rozmyty temperatura bliska 21˚C. Niech funkcja przynależności
do tego zbioru ma kształt funkcji Λ18, 21, 24. Ograniczmy zbiór temperatur do
wartości wyrażonych liczbami naturalnymi (rys. 8.2). Niech funkcja rozkładu
możliwości będzie identyczna z funkcją przynależności: r(x) = µ(x). Możemy tu
wyróżnić następujące α-przekroje: A1 = {21}, A2 = {20, 21, 22}, A3 ={19, 20, 21,
22, 23}. Jak widać na rys. 8.3 są to zbiory zagnieżdżone.
Rys. 8.2. Funkcja przynależności do zbioru rozmytego temperatura bliska 21˚C
oraz zbiór temperatur (punkty)
Rys. 8.3. α-przekroje zbioru rozmytego temperatura bliska 21˚C z rys. 8.2
Zgodnie ze wzorem 8.9 Poss(A1) = Poss(A2) = Poss(A3) = 1 gdyż jest to
supremum funkcji rozkładu. W dopełnieniu do zbioru A1 mamy temperatury {19,
20, 22, 23}. Maksimum funkcji rozkładu możliwości dla tych temperatur wynosi
2/3, a więc Poss(A1 )  2 / 3 . Dopełnieniem do zbioru A2 jest zbiór {19,23}.
Miary rozmyte
101
Maksimum funkcji rozkładu jest tu równe 1/3 a więc Poss(A 2 )  1 / 3 .
Analogicznie rozumując widzimy, że Poss(A 3 )  0. Ostatecznie ze wzoru 8.6
obliczamy miary konieczności: Nec(A1)=1/3, Nec(A2)=2/3, Nec(A3)=1.
8.3. Porównanie teorii możliwości z teorią prawdopodobieństwa
Miara prawdopodobieństwa (Pro) (ang. probability measure) jest, jak
wiadomo, określana poprzez stosunek liczby aktualnych zdarzeń do liczby
wszystkich zdarzeń. Jest to miara addytywna, co można zapisać następującym
wzorem:
Pr o( A  B)  Pr o( A)  Pr o( B) dla A  B  Ø
(8.10)
Prawdopodobieństwo przyjęcia przez zmienną losową wartości należących do
zbioru A możemy wyznaczyć na podstawie funkcji rozkładu
prawdopodobieństwa p(x):
Pr o( A) 
p( x )
(8.11)

xA
Dla zbiorów zamkniętych funkcja rozkładu prawdopodobieństwa jest równa
liczbom prawdopodobnym m(x) (porównamy podrozdział 8.1 i wyznaczanie miar
przekonania i domniemania). Miara przekonania (Bel(A)) staje się miarą
prawdopodobieństwa jeśli przestrzeń zdarzeń jest zbiorem singletonów. Na rys.
8.4 przedstawiono związki pomiędzy opisanymi typami miar.
Miary
rozmyte
Pl
Pro
Poss
Bel
Nec
Rys. 8.4. Związek pomiędzy opisanymi miarami rozmytymi
Porównując teorię prawdopodobieństwa z teorią możliwości łatwo zauważyć,
że mała wartość prawdopodobieństwa nie wymusza małej wartości możliwości
i odwrotnie. Rozkład możliwości podobnie jak rozkład prawdopodobieństwa
sumuje się do 1. Zdarzenie niemożliwe jest jednoczenie nieprawdopodobne.
Porównanie teorii możliwości z teorią prawdopodobieństwa zamieszczono
w tabeli 8.2.
Miary rozmyte
102
Tabela 8.2. Porównanie teorii prawdopodobieństwa i teorii możliwości
Teoria prawdopodobieństwa
Teoria możliwości
Bazuje na mierze jednego rodzaju:
prawdopodobieństwa (Pro)
Obszar odniesienia składa się z
singletonów
Jednoznaczna reprezentacja Pro
przez funkcję rozkładu
prawdopodobieństwa p(x)
Normalizacja  p ( x )  1
Bazuje na dwu miarach: możliwości
(Poss) i konieczności (Nec)
Obszar odniesienia składa się
z zagnieżdżonych podzbiorów
Jednoznaczna reprezentacja Poss
przez funkcję rozkładu możliwości
r(x)
Normalizacja max r ( x )  1
xX
Addytywność
Pr o( A  B )  Pr o( A)  Pr o( B )
Reguły max/min
Poss ( A  B )  max[ Poss ( A), Poss ( B)]
 Pr o( A  B)
Nec( A  B )  min[ Nec( A), Nec ( B )]
Nec( a)  1  Poss (A)
Pro(A)+Pro(¬A)=1
Poss ( A)  1  Nec( A)  0
Nec( A)  0  Poss ( A)  1
Poss ( A)  Poss (A)  1
Nec( A)  Nec(A)  1
max[ Poss( A), Poss (A)  1
p(x, y) = pX(x)∙ pY(y)
min[ Nec( A), Nec(A)]  0
r(x, y) = min[rX(x), rY(y)]
8.4. Stwierdzenia w języku naturalnym a teoria możliwości
Rozkłady możliwości stosowane są do stwierdzeń w języku naturalnym Dla
przykładu mówiąc „pan Jan jest w średnim wieku” określamy możliwość,
zaliczenia go do osób w średnim wieku. Stwierdzenia proste tego typu, które
można ogólnie zapisać jako „x jest A” są modelowane funkcjami przynależności
elementu x do zbioru rozmytego A. Przy wykorzystaniu teorii możliwości są
modelowane również inne stwierdzenia języka naturalnego, a mianowicie:
a) Stwierdzenia, w których występują modyfikatory: bardzo, lekko, całkiem mniej
więcej, nie itd. Dla przykładu stwierdzamy: owoce są bardzo tanie, lekko
podwyższona temperatura ciała, całkiem sprawny człowiek, mniej więcej równe
dochody, niełatwe zadanie itd. Do modelowania stwierdzeń typu: bardzo, lekko,
całkiem, mniej więcej stosowane są modyfikatory potęgowe lub modyfikatory
koncentracji i rozcieńczenia opisane w rozdziale 1. Modyfikator nie powstaje
w wyniku standardowej negacji.
Miary rozmyte
103
b) Stwierdzenia z łącznikami „I”, „LUB”, „TO”, np.: duży i tani samochód, duże
mieszkanie lub mały dom, jeżeli prędkość samochodu jest duża to zużycie paliwa
jest duże itp. Stwierdzeniom koniunkcyjnym (z łącznikiem I), jak wiadomo
(rozdział 2) odpowiadają w teorii zbiorów rozmytych operatory t-norm,
alternatywnym (LUB) s-norm. Stwierdzenia warunkowe (TO) są modelowane
implikatorami opisanymi w rozdziale 5.
c) Stwierdzenia z kwantyfikatorami: kilka, większość, nieliczne, prawie itp., np.:
kilka tanich książek, większość ludzi młodych, nieliczne chore drzewa, prawie
wszystkie owoce, nieliczne osoby itp.
Reprezentacją tego typu stwierdzeń jest liczebność lub moc (ang cardinality)
zbioru rozmytego (Card(A)):
Card ( A) 
(8.12)
  A ( xi )
{i xiSupp ( A)}
d) Stwierdzenia z kwalifikatorami, jak np.: mało prawdziwe, mało
prawdopodobne, nie bardzo możliwe itp. Dla pierwszego typu stwierdzeń należy
określić stopień prawdy definiując zbiór rozmyty T (ang. truth). Ogólna forma
stwierdzenia będzie następująca: „x jest A jest T”. Przykładem takiego typu
sformułowania jest na przykład zdanie: „twierdzenie, że rata kredytu jest niska
jest mało prawdziwe”. Funkcja przynależności do zbioru T określa stopień
prawdy stwierdzenia „x jest A”. Zauważmy przy tym, że A jest zbiorem
rozmytym o określonej funkcji przynależności μA(x). Porównajmy dwa rodzaje
stwierdzeń: „rata kredytu jest niska” oraz „jest pewne w 70-ciu procentach, że
rata kredytu jest niska”. W pierwszym zdaniu funkcja przynależności do zbioru
prawda jest równa 1, gdyż stwierdzamy z całą pewnością, że rata jest niska.
W drugim przypadku stopień prawdziwości pierwszej części zadania wynosi 0,7.
Stwierdzenia zawierające słowa typu prawdopodobne, np.: „jest mało
prawdopodobne, że czynsz jest niski” wymagają określenia prawdopodobieństwa
zdarzenia rozmytego. Prawdopodobieństwo zdarzenia rozmytego można
przestawić wzorem:
P{x jest A}   μ A (x)p(x)dx
(8.13)
X
gdzie p(x) funkcja rozkładu prawdopodobieństwa.
Dla dyskretnej przestrzeni zdarzeń:
P{x jest A}   μ A (x i )p(x i )
(8.14)
i
Dla zilustrowania tego wzoru przeanalizujmy następujący przykład.
Przykład 8.4.
Przypuśćmy, że losujemy jedną z dziesięciu liczb ze zbioru [1, 2 , 3 ,4 ,5 ,6 7, 8,
9, 10]. Prawdopodobieństwo wylosowania każdej wynosi 1/10 (rozkład funkcji
prawdopodobieństwa jest równomierny). Określmy zbiór rozmyty : małe liczby
A=1/1+ 0,8/2 + 0,6/3 + 0,4/4 +0,2/5 i wyznaczmy prawdopodobieństwo
wylosowania małej liczby. Zgodnie ze wzorem 8.14 będzie ono równe:
P{x jest małe} = 1∙0,1 + 0,8∙0,1+ 0,6∙0,1 + 0,4 ∙0,1 + 0,2∙0,1 = 0,3
Jeśli w stwierdzeniu lingwistycznym występuje słowo możliwe posługujemy się
Miary rozmyte
104
rozkładem możliwości.
8.5. Redukcja niepewności informacji
Pojęcie informacji jest nierozdzielnie związane z pojęciem niepewności, gdyż
w wielu rozwiązaniach problemów informacja może być niekompletna,
nieprecyzyjna, fragmentaryczna, niewyraźna, sprzeczna lub niepewna z innych
powodów. Możemy rozróżnić trzy rodzaje niepewności: 1) niedokładność (ang.
imprecision, nonspecificity), która wynika z wielkości zbiorów lub możliwości,
2) sprzeczność (ang. discord) pomiędzy zbiorami lub możliwościami, 3) rozmycie
lub niewyraźność (ang. fuzziness), które wynika z nieostrych granic między
zbiorami. Nieprecyzyjność zbiorów ostrych jest określona tak zwaną funkcją
Hartley’a:
U (A)  log 2 A
(8.15)
gdzie A oznacza moc (wielkość) zbioru niepustego A.
Uogólnieniem funkcji Hartley’a dla zbiorów rozmytych jest funkcja:
1
U (A) 
h (A)
α
h (A )
 log 2
α
A dα
(8.16)
0
A jest mocą α-przekroju zbioru rozmytego A, natomiast h(A) jego wysokością.
Miarą niepewności w teorii prawdopodobieństwa jest entropia Shannona H(m):
H( m)   m( x ) log 2 m( x )
(8.17)

xX
gdzie m(x) jest funkcją rozkładu prawdopodobieństwa.
Typem niepewności, dotyczącym tylko zbiorów rozmytych jest rozmytość.
Funkcja f(A) będąca miarą rozmytości zbioru A powinna spełniać następujące
warunki:
1. f(A) = 0, jeśli A jest zbiorem ostrym.
2. f(A) osiąga wartość maksymalną, jeśli µA(x) =0,5 dla wszystkich x  X ,
co oznacza maksymalne rozmycie.
3. f(A) ≤ f(B) co oznacza, że zbiór A jest ostrzejszy od zbioru B, jeśli
μ A (x )  μ B ( x ) dla µB(x) ≤0,5 oraz μ A (x )  μ B ( x ) dla µB(x) ≥0,5.
Jest kilka miar rozmytości. Jednym ze sposobów jest pomiar odległości
pomiędzy zbiorem rozmytym A i jego dopełnieniem. Podstawowe definicje
odległości między zbiorami rozmytymi A, B są następujące:
Odległość liniowa Hamminga:
N
d(A, B) 
 μ A ( x n )  μ B (x n )
(8.18)
n 1
Unormowana odległość Hamminga:
d(A, B) 
1
N
N
 μ A ( x n )  μ B (x n )
n 1
(8.19)
Miary rozmyte
105
Odległość euklidesowa kwadratowa:
N
e(A, B) 
 [μ A (x n )  μ B (x n )]2
(8.20)
n 1
Unormowana odległość kwadratowa:
e(A, B) 
1
N
N
 [μ A (x n )  μ B (x n )]2
(8.21)
n 1
Przy zastosowaniu standardowej definicji dopełnienia i odległości Hamminga
rozmycie zbioru A może być wyznaczone ze wzoru:
N
f (A) 
N
 μ A (x n )  [1  μ A (x n )]   2μ A (x n )  1
n 1
(8.22)
n 1
W teorii dowodów miara rozmytości F(m) jest średnią ważoną rozmycia
poszczególnych zbiorów z przestrzeni F:
F(m) 
m( F)f (A )
(8.23)

AF
ROZDZIAŁ 9
ROZMYTE BAZY DANYCH
9.1. Rozmyte relacyjne bazy danych ……………………………………...107
9.2. Zastosowanie zbiorów rozmytych w modelu związków encji…….….109
9.3. Zapytania nieprecyzyjne……………………………………………....110
9.4. Praktyczne realizacje systemów zapytań nieprecyzyjnych…………...112
9.5. Rozmyte obiektowe bazy danych………………………………….….113
Rozmyte bazy danych
107
9.1. Rozmyte relacyjne bazy danych
Czasy współczesne charakteryzuje duże i ciągle zwiększające się
zapotrzebowanie na gromadzenie oraz wyszukiwanie informacji. Stąd duże
zainteresowanie tworzeniem i użytkowaniem baz danych. Stosowane systemy
bazodanowe są przeznaczone do gromadzenia i przetwarzania danych
precyzyjnych nie zawsze spełniają, więc, oczekiwania użytkownika, który często
w swojej działalności korzysta z danych nie dających się opisać w sposób ścisły.
Dla przykładu będzie miał trudności lekarz stawiający diagnozę z pewnym
stopniem niepewności przy zapisie tej informacji do bazy danych, czy
wyszukujący w niej podobnych przypadków. Dlatego interesujące jest
zastosowanie teorii zbiorów rozmytych w bazach danych. W popularnym
relacyjnym modelu danych stosowane są rozmyte relacje (opisane w rozdziale
3), po rozszerzeniu ich definicji na pojęcia stosowane w tego typu bazach. Jak
wiadomo relacje są formalizacją tabel, których kolumnom i wierszom
odpowiadają atrybuty i krotki. Relację rozmytą określa się jako zbiór rozmyty
utworzony na iloczynie kartezjańskim jej atrybutów. Każdej krotce przypisywany
jest stopień przynależności do danej relacji.
Przykład 9.1
W tabeli przedstawiono przykład relacji rozmytej duże_obroty dla bazy danych
firmy prowadzącej sieć sklepów:
Tabela 9.1. Przykładowa relacja rozmyta „duże_obroty”
S# Nazwa
Obrót
Asortyment Miasto
μ
S1 Alik
120000
odzież
Łódź
0,8
S2 Bufo
60000
spożywczy Poznań
0,5
S3 Top
250000
odzież
Kraków
1
S4 Zuch
40000
sportowy
Łódź
0,4
S5 Aster
190000
spożywczy Kraków
0,9
Operacje na relacyjnych bazach rozmytych są rozszerzeniem klasycznych
operacji na relacjach rozmytych. Jeżeli mamy dwie relacje rozmyte o tych
samych schematach P i S to ich sumą jest relacja rozmyta zawierająca krotki
należące do relacji P lub S, przy czym stopień przynależności danej krotki t jest
obliczany jako maksimum funkcji przynależności do relacji P i S [17].
μ PS (t)  max [μ P (t), μ S (t)]
(9.1)
Iloczyn zawiera tylko krotki należące do obu relacji P i S, a ich funkcja
przynależności jest obliczana ze wzoru:
μ PS (t)  min [μ P (t), μ S (t)]
(9.2)
Różnica P - S zawiera krotki relacji P z funkcją przynależności obliczaną według
wzoru:
μ P S (t)  min {μ P (t), [1 - μ S (t)]}
(9.3)
Na rys. 9.1 przedstawiono sumę, iloczyn i różnicę relacji rozmytych.
108
Rozmyte bazy danych
Rys. 9.1. Suma, iloczyn i różnica relacji rozmytych
Wynikiem selekcji jest relacja o takim samym schemacie. Warunkiem selekcji
jest określony przez użytkownika stopień przynależności krotki.
Podobnie jak w klasycznych bazach możliwa jest projekcja relacji R na dany
zbiór atrybutów X (ProjX(R)). Wartość stopnia przynależności dla krotki t
w relacji wynikowej jest równa największej wartości w odpowiednich krotkach
odpowiadających temu samemu atrybutowi.
(9.4)
 Pr ojX (t )  supT ( X )t ( X )  R (T )
Przykład 9.2.
W poniższej tabeli przedstawiono wynik projekcji relacji duże_obroty
z przykładu 9.1 na zbiór X = {asortyment}.
μ
Asortyment
odzież
1
spożywczy
0,9
sportowy
0,4
Stosowanym działaniem jest również naturalne złączenie relacji. Złączeniem dwu
relacji P(A, O) i R(O, B) jest relacja P  R o schemacie {A, O, B}, w której
stopnie przynależności krotek są wyznaczane ze wzoru:
 PR (t )  min[  P ( p),  R (r )]
(9.5)
We wzorze 9.4 p i r są krotkami relacji P i R przy czym p= t(A, O) oraz r = t(O,
B). Złączenie relacji zostało przedstawione na rys. 9.2.
Rozmyte bazy danych
109
Rys. 9.2. Złączenie relacji P i R
W celu określenia w jakim stopniu wymagania zawarte w relacji P są
uwzględnione w relacji S stosuje się iloraz P ÷ S. Wyznaczenie ilorazu
przebiega według następującego algorytmu:
1. Z relacji P(a, o) wybieramy krotki o tych wartościach a, dla których istnieją
wszystkie krotki o z relacji S(o).
2. Jeśli dla każdej wartości o w relacji S istnieje krotka w P(a, o), dla której
funkcja przynależności μ S (o)  μ P (a , o), to wybieramy najmniejszą wartość
stopnia przynależności dla krotki a.
3. W przypadku przeciwnym stosujemy wzór z zastosowaniem implikatora
Gödela IG (opisany w rozdziale 5.4 wzór 5.9):
 PS ( a)  min b I G (  S (o),  P (a, o)
Na rys. 9.3 przedstawiono wynik dzielenia przykładowych relacji P przez S.
Rys. 9.3. Dzielenie relacji P przez S
9.2. Zastosowanie zbiorów rozmytych w modelu związków encji
Zastosowanie zbiorów rozmytych jest możliwe na wszystkich poziomach
tworzenia modelu związków encji. Poziom pierwszy obejmuje elementy modelu
czyli typy encji, związków i atrybutów. Jeżeli oznaczymy przez DE zbiór branych
pod uwagę typów encji, DR możliwe typy związków między elementami, DA –
110
Rozmyte bazy danych
zbiór typów atrybutów, to każdy z tych elementów można definiować
następująco:
~
E  {μ E~ (E)/E : E  D E ,  E~ : D E  [0,1]}
~
R  {μ R~ (R)/R : R  D R ,  R~ : D R  [0,1]}
(9.6)
~
~ (A)/A : A  D A ,  ~ : D A  [0,1]}
A  {μ A
A
Przy pomocy zbiorów rozmytych można więc projektować modele przy braku
pewności dotyczącej zbiorów encji, doboru atrybutów oraz związków między
atrybutami.
Następne niepewności dotyczą wartości typów zdefiniowanych na poziomie
pierwszym, a mianowicie klasyfikowania encji i określania „siły” powiązań
między nimi. Trzeci poziom niepewności jest związany z atrybutami. Przy ocenie
stopnia klasyfikacji do zbioru encji na podstawie atrybutu stosowane są miary
możliwości (Nec) i konieczności (opisane w rozdziale 8).
9.3. Zapytania nieprecyzyjne
Odrębnym problemem jest wyszukiwanie informacji w klasycznych bazach
danych w oparciu o zapytania zawierające nieprecyzyjne określenie zakresu
i warunków, jakie powinny spełniać poszukiwane dane. Cechą klasycznych
języków zapytań jest wymóg, by warunki, jakie mają spełniać poszukiwane dane
były określone w sposób precyzyjny. Bardzo często wymagania te są trudne do
spełnienia. Jeśli dla przykładu klient chce znaleźć w ofercie sklepu komputery
w cenie około 3000 zł, musi podać zakres interesujących go cen. Każdy
komputer o cenie różniącej się tylko o 1 zł od granicznych podanych wartości nie
zostanie wyszukany. Dlatego też rozwijana jest koncepcja zapytań
nieprecyzyjnych w oparciu o logikę rozmytą. W takich zapytaniach występują
wyrażenie języka naturalnego, zwane terminami lingwistycznymi, określające
nieprecyzyjne wartości np.: niska cena, nieprecyzyjne porównania np.: znacznie
większe niż 3000 oraz niestandardowe sposoby agregacji warunków, np.:
większość podanych warunków ma być spełniona. Podstawową zaletą zapytań
nieprecyzyjnych, wynikającą z zastosowania języka naturalnego, jest możliwość
płynnego przechodzenia od spełnienie do niespełnienia warunków. Na przykład
normalne ciśnienie krwi nie przestaje być normalne przy niewielkim jego
wzroście. Oczywiście wraz z jego wzrostem staje się ono coraz mniej normalne,
co może być określone poprzez wartość funkcji przynależności do zbioru
rozmytego normalne ciśnienie krwi. Wartość ta jest określana, jako stopień
spełnienia zapytania nieprecyzyjnego. Jeśli tworzymy zapytania złożone, stopnie
spełnienia dla poszczególnych warunków agreguje się przy wykorzystaniu
wybranych operatorów (opisanych w rozdziałach 2 i 5). Zapytania nieprecyzyjne
stwarzają możliwość uporządkowania wyników według stopnia spełnienia, dzięki
czemu ich analiza staje się łatwiejsza. Przy tego typu zapytaniach zmniejsza się
także liczba odpowiedzi pustych, czyli nie spełniających wymagań zawartych
w zapytaniu. Wynikiem zapytania nieprecyzyjnego jest zbiór uporządkowany
Rozmyte bazy danych
111
według stopnia spełnienia zapytania. Gramatyka zapytań nieprecyzyjnych jest
związana z językiem zapytań konkretnej bazy danych. Na ogół zawiera ona
następujące terminy lingwistyczne:
a) liczbowe wartości rozmyte;
b) modyfikatory;
c) rozmyte operatory porównania;
d) nieliczbowe wartości rozmyte;
e) kwantyfikatory lingwistyczne.
Ad a) Liczbowe wartości rozmyte mogą być reprezentowane przy wykorzystaniu
liczb rozmytych. W opisanym w następnym podrozdziale systemie FQERY
stosuje się liczby rozmyte o trapezoidalnych funkcjach przynależności. Liczbowe
wartości rozmyte używane są w zapytaniach przy określaniu ograniczeń
dotyczących kolumn (atrybutów). Ponieważ interpretacja ich wartości i kształtów
funkcji przynależności może być inna dla każdego użytkownika, pożądane jest
takie opracowane aplikacji, aby osoba korzystająca z niej miała możliwość
zdefiniowania własnej funkcji przynależności do zbioru rozmytego
odpowiadającego danemu terminowi lingwistycznemu. Np. przy wyszukiwaniu
dużego domu użytkownik powinien mieć możliwość dostosowania funkcji
przynależności do zbioru rozmytego duży.
Ad b) Wartości zmiennej lingwistycznej mogą być modyfikowane poprzez użycie
określeń: bardzo, raczej, całkiem, mniej więcej itp. Stosowane są w tym celu
modyfikatory: koncentracji, rozcieńczenia, wzmocnienia kontrastu i zmniejszenia
kontrastu opisane w rozdziale 1. Do stosowanych w zapytaniach nieprecyzyjnych
modyfikatorów należą też modyfikatory przesunięcia, zachowujące kształt
funkcji przynależności przy zmianie nośnika zbioru rozmytego.
Ad c) Przykładem zastosowania rozmytego operatora porównania jest
następujący warunek „cena dużo mniejsza niż 200000”. Rozmyty warunek
porównania jest reprezentowany przez relację rozmytą określoną na iloczynie
kartezjańskim dziedzin porównywanych wartości.
Ad d) Przykładem użycia nieliczbowej wartości rozmytej jest warunek „dobra
lokalizacja domu”. Wymaga określenia stopnia przynależności do zbioru
rozmytego dobra lokalizacja. Jest on subiektywny i dlatego konieczna jest
możliwość definiowania jej przez użytkownika.
Ad e) Kwantyfikator w klasycznej logice matematycznej jest terminem
oznaczającym zwroty: każdy, dla każdego, istnieje, dla pewnego. W teorii
zbiorów rozmytych wprowadzono pojęcie kwantyfikator lingwistyczny, który jest
reprezentowany przez liczbę rozmytą. Dzieli się je na dwie grupy:
- bezwzględne np.: mniej więcej 100, około 300, znacznie więcej niż 50,
co najmniej 10 itp.
-względne np.: większość, niewiele, prawie wszystkie, określające stosunek
liczności zbioru o danej własności do liczności całego zbioru.
Realizacja zapytania nieprecyzyjnego jest realizowana według następującego
algorytmu:
1. Pobranie wiersza z tabeli.
112
Rozmyte bazy danych
2. Obliczenie cząstkowych stopni spełnienia warunków dla wartości atrybutów
z bieżącego wiersza.
3. Agregacja cząstkowych stopni spełnienia.
4. Jeśli całkowity stopień spełnienia przekracza wartość progową podaną przez
użytkownika lub przyjętą domyślnie, wiersz jest dołączany wraz ze stopniem
spełnienia.
5. Jeśli nie ma więcej wierszy koniec przeszukiwania, jeśli nie przechodzi
do punktu 1.
9.4. Praktyczne realizacje systemów zapytań nieprecyzyjnych
Popularnym językiem zapytań jest SQL. Rozszerzenie tego języka o
zapytania nieprecyzyjne pod nazwą SQLf opracował zespół Patrica Bosca. Jak
wiadomo w instrukcji wyszukiwania w SQL znaczenie podstawowe ma
następująca konstrukcja (ang. selekt block):
SELECT lista wyrażeń
FROM
lista tabel
WHERE warunek
Zasadnicze rozszerzenie składni SQLF dotyczy frazy WHERE, w której dodano
możliwość używania terminów lingwistycznych. W wierszach wynikowych
podawany jest stopień spełnienia obliczany według algorytmu opisanego
w poprzednim podrozdziale. W języku SQLf proste warunki ze spójnikami
„AND” „OR” są interpretowane przy wykorzystaniu funkcji maksimum
i minimum dla zbiorów rozmytych. Jest możliwość używania modyfikatorów
np.: bardzo. Fraza SELECT w SQLf ma postać następującą:
SELECT [liczba całkowita│liczba rzeczywista]
[UNIQUE│ UNIMIN │UNIAVG]
Liczba całkowita oznacza ile wierszy o najwyższym stopniu spełnienia chce
wybrać użytkownik, liczba rzeczywista oznacza progową wartość stopnia
spełnienia dla wierszy, które zostaną wybrane. Słowa kluczowe UNIQUE,
UNIMIN, UNIAVG powodują pozostawienie jednego spośród identycznych
wierszy o: najwyższym, najniższym i średnim stopniu spełnienia. W wyrażeniu
grupujących GROUP BY nie stosuje się elementów rozmytych natomiast
we frazie HAVING są one stosowane, tak jak w przypadku WHERE. Ciekawe
rozwiązanie zostało zaproponowane przez autorów języka dla zapytań
pochodnych. Jest ono realizowane według następującego schematu. W kroku
pierwszym warunki rozmyte są zastępowane nierozmytymi warunkami
pochodnymi. Następnie tak uzyskane zapytanie wstawianie jest w miejsce
oryginalnej tabeli we frazie FROM i wykonywane zapytanie nieprecyzyjne.
Oryginalną implementacją jest system zapytań nieprecyzyjnych opracowany
przez Kacprzyka i Zadrożnego pod nazwa FQUERY. Pierwsze jego wersje
opracowane były dla baz danych XBase. Ostania wersja - FQUERY for Access
stanowi dodatek do bazy danych MS Access. W tym systemie w przeciwieństwie
do języka SQLf istnieje możliwość określania i modyfikacji terminów
Rozmyte bazy danych
113
lingwistycznych. Użytkownik może wybrać termin lingwistyczny ze słownika,
zmieniać jego nazwę oraz funkcje przynależności do odpowiednich wartości
rozmytych odpowiadających
danemu atrybutowi. Ma także możliwość
definiowania rozmytych operatorów porównania oraz wyboru i definiowania
kwantyfikatorów lingwistycznych. Zapytania nieprecyzyjne można wykonywać
przy zastosowaniu standardowych poleceń MS Access.
9.5. Rozmyte obiektowe bazy danych
W modelach rozmytych obiektowych baz danych stosowane są obiekty
rozmyte, klasy i podklasy rozmyte, a także rozmyte dziedziczenie. Rozmytym
obiektem nazywany jest obiekt z co najmniej jednym atrybutem o rozmytych
wartościach. Rozmycie klas może mieć dwojaki charakter. Niektóre obiekty
mogą należeć do danej klasy z określonym stopniem przynależności. Mogą też
charakteryzować się rozmytą domeną atrybutu. Możliwe jest również rozmyte
dziedziczenie z określonym stopniem pewności.
ROZDZIAŁ 10
ZBIORY ROZMYTE TYPU 2
10.1. Definicje i własności zbiorów rozmytych typu 2…………………….115
10.2. Operacje na zbiorach rozmytych typu 2……………………………...117
10.3. Relacje rozmyte typu 2……………………………………………….119
10.4. Redukcja typu………………………………………………………...120
10.5. Systemy rozmyte typu 2……………………………………………...121
Zbiory rozmyte typu 2
115
10. 1. Definicje i własności zbiorów rozmytych typu 2
W poprzednich rozdziałach opisywano zbiory rozmyte, w których nośnik był
rozmyty, natomiast funkcje przynależności były liczbami rzeczywistymi
z przedziału [0, 1]. Są one nazywane zbiorami typu 1, dla odróżnienia od zbiorów
rozmytych typu 2, których funkcje przynależności są również rozmyte (rys.
10.1).
Rys. 10.1 Funkcje przynależności do zbiorów rozmytych typu 1 i typu 2
~ ( x )} przy czym x
Zbiór rozmyty typu 2 jest definiowany, jako zbiór par {x,  A
podobnie jak w przypadku zbiorów rozmytych typu1 jest elementem tego zbioru,
~ ( x) jest zbiorem rozmytym typu 1 określonym na uniwersum J x
natomiast  A
należącym do przedziału [0,1], co można zapisać [18]:
μ A~ ( x ) 
 f x (u) / u
(10.1)
uJ x
Przedział Jx stanowi dziedzinę funkcji fx(u) i nosi nazwę podstawowej
przynależności elementów x. Funkcja fx (u) nazywana jest funkcją drugorzędnej
przynależności, a jej wartość stopniem drugorzędnej przynależności lub w skrócie
drugorzędną przynależnością.
Dla zbiorów dyskretnych wzór 10.1 przyjmuje postać:
~ ( x )  f1 (u1 ) / u1  f 2 ( u 2 ) / u 2  ...  f m (u m ) / u m   f x (u ) / u
A
(10.2)
uJ x
Przykład 10.1
Niech przestrzeń X = {2, 5, 7}, Jx1 ={0,2; 0,3; 0,8}, Jx2 = {0,4; 1}, Jx3 = {0,2; 0,6;
0,9}. Utwórzmy zbiór rozmyty typu 2 na uniwersum X przypisując dowolne
stopnie przynależności drugorzędnej wartościom ze zbiorów Jx1, Jx2, Jx3.
~
A  (0,1 / 0,2  1/0,3  0,3/0,8)/2  ( 1/0,4  0,2/1)/5  (0,5/0,2  1/0,6  0,4/0,9)/7
Jeżeli funkcja drugorzędnej przynależności przyjmuje wartość 1 tylko dla
jednego elementu u z danej dziedziny Jx, to suma standardowa elementów u
tworzy tzw. funkcję głównej przynależności. Powstały zbiór rozmyty Ag jest typu
1.
Przykład 10.2
Utwórzmy zbiór Ag ze zbioru rozmytego typu 2 utworzonego w przykładzie
10.1. Otrzymamy zbiór rozmyty: Ag=0,3 /2 + 0,4 /5 + 0,6/ 7.
116
Obszar składający się ze wszystkich punktów podstawowej przynależności jest
nazywany śladem niepewności (SN, wzór 10.3, rys. 10.2).
~
SN(A ) 
Jx
(10.3)

xX
Rys. 10.2. Ślad niepewności zbioru rozmytego typu 2
W danym zbiorze rozmytym typu 2 można wyróżnić nieprzeliczalną liczbę tzw.
~
osadzonych zbiorów rozmytych ( A o ). Są to zbiory o funkcji drugorzędnej
przynależności wyznaczonej dla jednego elementu Θ  J x .
~
A o  [f x (Θ) / Θ} / x
(10.4)

xX
Zbiór osadzony dyskretny jest zdefiniowany wzorem 10.5.
~
Ao 
n
 [f x (Θ i ) / Θ i ] / x i
i
(10.5)
i 1
Każdemu osadzonemu zbiorowi typu 2 odpowiada zbiór osadzony typu 1 (Ao)
o stopniach przynależności równych wybranym elementom Θ (wzory 10.6 dla
zbiorów ciągłych dla dyskretnych). Przykłady dwu zbiorów osadzonych typu 1
(funkcje przynależności - linie pogrubione) przedstawia rys. 10.3.
n
Ao 

Θ/x
xX
Ao 
 Θi / x i
(10.6)
i 1
Rys. 10.3. Wybrane osadzone zbiory rozmyte typu 1(funkcje przynależnościlinie pogrubione)
117
10.2. Operacje na zbiorach rozmytych typu 2
Na zbiorach rozmytych typu 2 wykonuje się operacje właściwe dla zbiorów
typu 1, jakkolwiek stopień skomplikowania jest dużo większy. Podstawowe
działania zostaną zdefiniowane dla dwóch zbiorów rozmytych typu 2 o
następujących funkcjach przynależności
μ A~ ( x ) 
 f x (u) / u
(10.7)
 g x ( v) / v
(10.8)
uJ ux
μ B~ ( x ) 
vJ vx
Zostały one określone na tym samym uniwersum X, natomiast mają różne
funkcje podstawowej i drugorzędnej przynależności. Suma tych zbiorów jest
zdefiniowana następującym wzorem:
T
μ A~ B~ ( x ) 
 
S
f x ( u )  g x ( v) / u  v
(10.9)
uJ ux vJ vx
Dla każdej pary u, v funkcja podstawowej przynależności sumy zbiorów jest ich
s-normą. Funkcja drugorzędnej przynależności sumy zbiorów rozmytych typu 2
jest maksymalną wartością t-normy dla wszystkich par u, v o takiej samej
wartości s-normy.
Przykład 10.3
Wyznaczmy sumę następujących zbiorów rozmytych typu 2:
~
A  [0,4/0,1  1/0,6  0,6/ 0,8] /3  [0,6/0,7  1/ 0,1] /5  [0,2/0,4  1/0,9  0,4/1] /7
~
B  [1/0,9] /3  [0,4/ 0,7  0,9/0,9]/5  [0,9/0,5  1/0,8] /7
Zastosujmy operacje standardowe jako t-normę i s-normę. Obliczmy funkcję
przynależności dla kolejnych elementów x = 3, 5, 7:
max[0,4  1; 1  1; 0,6  1] 1
 ~ ~ (3) 

A B
0,9
0,9
max[0,6  0,4; 1  0,4] max[0,6  0,9 ; 1  0,9] 0,4 0,9
 ~ ~ (5) 



A B
0,7
0,9
0,7 0,9
0,2  0,9 max[1  0,9; 1  1] max[0,4  0,9; 0,4  1] 0,2 1 0,4
 ~ ~ (7) 





A B
0,5
0,9
1
0,5 0,9 1
Ostatecznie suma tych zbiorów wynosi:
~ ~
A  B  (1 / 0,9) /3  (0,4/0,7  0,9/0,9) /5  (0,2/0,5  1/0,9  0,4/1) /7
Funkcja przynależności do iloczynu zbiorów rozmytych typu 2 jest obliczana
następująco:
118
T
μ A~  B~ ( x ) 
 
T
f x ( u )  g x ( v) / u  v
(10.10)
uJ ux vJ vx
Funkcja podstawowej przynależności jest obliczana jako t-norma z u, v. Dla
wszystkich par u, v dających taka samą wartość t-normy funkcje drugorzędnej
przynależności są równe największej wartości ich t-norm. We wzorze 10.10
występują dwie t-normy. Mogą one lecz nie muszą być takie same.
Przykład 10.4.
Znajdźmy iloczyn zbiorów z przykładu 10.4. Zastosujmy t-normę standardową
dla obu działań we wzorze10.10.
~
A  [0,4/0,1  1/0,6  0,6/0,8] /3  [0,6/0,7  1/0,1] /5  [0,2/0,4  1/0,9  0,4/1] /7
~
B  [1/0,9] /3  [0,4/0,7  0,9/0,9]/5  [0,9/0,5  1/0,8] /7
Tak jak poprzednio obliczmy dla kolejnych elementów x = 3, 5, 7 ich funkcje
przynależności:
0,4  1 1  1 0,6  1 0, 4
1
0,6
μ ~ ~ (3) 





A B
0,1
0,6
0,8
0,1 0,6 0,8
max[0,6  0,4; 0,6  0,9] max[1  0,4; 1  0,9] 0,6 0,9
μ ~ ~ (5) 



A B
0,7
0,1
0,7 0,1
max[0,2  0,9; 0,2  1 max[1  0,9; 0,4  0,9] 0,4  1 0,2
μ ~ ~ (7) 



A B
0, 4
0,5
0,8
0,4
0,9 0, 4


0,5 0,8
Otrzymujemy zbiór:
~ ~
A  B  [0,4 / 0,1  1 / 0,6  0,6 / 0,8] /3  [0,6/0,7  0,9/0,1] /5  [0,2/0,4
 0,9/0,5  0,4/0,8] /7
Funkcja przynależności dopełnienia
wyznaczana według wzoru:
μ A~ ( x ) 
zbioru rozmytego typu 2 jest
 f x (u) /(1  u)
uJ ux
Przykład 10.5.
Wyznaczmy dopełnienie następującego zbioru rozmytego typu 2:
~
A( x )  (0,1 / 0,6  1/0,9)/ 5
Zgodnie ze wzorem 10.11 dopełnienie do tego zbioru ma postać:
~
A( x )  (0,1 / 0, 4  1/0,1)/ 5
(10.11)
119
10.3. Relacje rozmyte typu 2
Rozważmy binarną relację rozmytą typu 2, określoną na iloczynie
kartezjańskim dziedzin dwu zbiorów rozmytych X  Y . Relacja, jak wiadomo z
rozdziału 3, jest zbiorem rozmytym o określonym stopniu przynależności dla
każdej pary elementów x, y. W przypadku rozmytej relacji typu 2, funkcja ta jest
określona następująco:
μ R~ ( x, y) 
 rx , y ( v ) / v
(10.12)
vJ vx , y
Funkcja drugorzędnej przynależności rx,y jest zbiorem rozmytym typu 1,
określonym na przedziale [0, 1].
Przykład 10.6.
Niech dla przykładu relacja rozmyta typu 1, określona na iloczynie kartezjańskim
X  Y , gdzie X={5,9} oraz Y={3,5} odpowiada nieprecyzyjnemu stwierdzeniu
„x dużo większe od y” i ma postać:
0, 4
1
0
0,7
R



(5; 3) (9; 3) (5; 5) (9; 5)
Utwórzmy przykładową relację rozmytą typu 2 odpowiadającą powyższemu
stwierdzeniu:
~
R  [0,4 / 0,3  1/0,4  0,6/0,5] / (5; 3) + [0,1/0,1 + 1/1+ 0,7/0,8] /(9; 3) + [1/0
+0,5/0,6 + 0,4/ 0,1] /(5; 5) + [0,4/0,5 +1/0,7 + 0,6/0,8] /(9; 5)
Relacja rozmyta typu 2 może być także rozumiana, jako rozszerzenie operacji na
~
zbiorach rozmytych typu 2, określonych na różnych uniwersach. Jeśli zbiór A
~
jest zdefiniowany w przestrzeni X, natomiast B w przestrzeni Y, to zarówno
rozszerzona s-norma, jak również rozszerzona t-norma tych zbiorów są
rozmytymi relacjami typu 2. Można więc zapisać wzory:
S
μ R~S ( x , y)  μ A~ ( x )  μ B~ ( y)
T
(10.13)
μ R~T ( x , y)  μ A~ ( x )  μ B~ ( y)
Ważną z praktycznego punktu widzenia operacją jest złożenie relacji, które dla
typu 2 jest określone poprzez następującą postać funkcji przynależności:
T
~
μ ~S R~ ( x, z )  S μ ~S ( x, y)  μ R~ ( y, z )
(10.14)
yY
Relacja S została utworzona na iloczynie kartezjańskim X  Y , natomiast R Y  Z . W wyniku złożenia otrzymujemy relację na iloczynie kartezjańskim
XZ.
120
10.4 Redukcja typu
Zastosowanie zbiorów rozmytych w systemach wymaga określenia operacji
wyostrzania, którą dla zbiorów typu 2 poprzedza operacja redukcji typu. Jest ona
podobna do wyznaczania centroidu zbiorów rozmytych typu 1 określonych na
dyskretnym uniwersum. Wyznacza się go wtedy z zależności [7,9 12]:
n
 x iμ A ( x i )
i 1
n
CA 
(10.15)
 μ A (xi )
i 1
Centroid zbioru rozmytego typu 2 jest zbiorem rozmytym typu 1 określonym na
dyskretnym zbiorze elementów θ1 , θ 2 ,..., θ n z dziedziny drugorzędnej funkcji
przynależności. Oznaczmy:
n
 x iθi
a (θ) 
i 1
n
(10.16)
 θi
i 1
b(θ)  f x1 (θ1 )  f x 2 (θ 2 )  ...  f xn (θ n )
Centroid zbioru rozmytego typu 2 jest wyznaczany według wzoru:
C A~ 


1 J x1  2 J x 2
....

 n J xn
[b( )]
a ( )
(10.17)
(10.18)
Algorytm wyznaczania centroidu opisanego wzorem 10.18 składa się z
następujących kroków:
1. Dyskretyzacja uniwersum x na n punktów x1, x2,…, xn.
2. Dyskretyzacja dziedzin drugorzędnych funkcji przynależności Jxi
odpowiadających każdemu punktowi xi na odpowiednie liczby punktów Mj (j= 1,
2, …,n).
3. Ponumerowanie wszystkich powstałych zbiorów. Ich całkowita liczba wyniesie
n
Mj .
j1
4. Wyliczenie centroidu posługując się wzorami 10.16, 10.17 i 10.18.
Wyznaczenie centroidu zbiorów rozmytych ilustruje przykład 10.7.
Przykład 10.7
Dany jest zbiór rozmyty dyskretny typu 2. Dokonajmy redukcji typu tego zbioru,
jeśli
~
A  [0,5 / 0,4  1 / 0,7] / 1  [0,5/0,6  1/0,9]/2
Zbiór jest dyskretny możemy więc pominąć punkty 1 i 2 algorytmu.
Mamy tu cztery zbiory, dla których wartości obliczone według wzoru 10.16
wynoszą:
121
1  0,4  2  0,6
 1,6
0,4  0,6
1  0, 4  2  0,9
a2 
 1,69
0,4  0,9
1  0,7  2  0,6
a3 
 1, 46
0,7  0,6
1  0,7  2  0,9
a4 
 1,56
0,7  0,9
a1 
~
Zbiór rozmyty typu 1 będący centroidem zbioru rozmytego typu 2 A będzie więc
miał postać:
0,5  0,5 0,5  1 1  0,5 1 1 0, 25 0,5 0,5
1
C A~ 







a1
a2
a3
a4
1,6 1,69 1, 46 1,56
Wyznaczenie centroidu jest niezbędne w systemach wnioskujących. Jest
wstępnym krokiem do operacji wyostrzania.
10.5. Systemy rozmyte typu 2
Systemy rozmyte typu 2 znajdują obecnie szerokie zastosowanie w
sterownikach, systemach eksperckich, systemach rozpoznawania wzorców itp.
Schemat blokowy sytemu rozmytego typu 2 przedstawiono na rys. 10.4.
Wyróżnia się w tym układzie następujące bloki: rozmywania, wnioskowania,
bazę wiedzy, bloki redukcji typu oraz wyostrzania [15, 16, 18].
Rys. 10.4. Podstawowe bloki systemu rozmytego typu 2
122
Przedstawiony schemat jest bardzo podobny do przedstawionego na rys 6.1
sterownika rozmytego, należy jednak pamiętać, że poszczególne fragmenty
działają w oparciu o zbiory rozmyte typu 2. Już w bloku rozmywania
zastosowanie zbiorów rozmytych typu 2 stwarza wiele nowych możliwości.
Najprostszym i najczęściej stosowanym sposobem jest typ singleton-singleton.
Metoda ta polega na przypisaniu funkcji przynależności podstawowej równej 1
danej wartości wejściowej podobnie jak w systemie typu 1. Funkcja drugorzędnej
przynależności przyjmuje wartość 1 zarówno dla podstawowej przynależności
równej 1, jak również 0 (wzór 10.19).
1 / 1 dla x i  xi
 A~ ( xi )  
(10.19)
1 / 0 dla x i  xi
Możliwe są również inne sposoby rozmywania. Jednym z nich jest typ
rozmywania singleton-przedział, w którym funkcja podstawowej przynależności
jest typu singleton, natomiast drugorzędna przynależność przedziałem. Możliwe
jest też rozmywanie nonsingleton-singleton. W tym przypadku podstawowa
przynależność nie jest singletonem, natomiast drugorzędna singletonem.
Baza reguł również różni się od opisanej w rozdziale 5.5 tym, że występują
w niej zbiory rozmyte typu 2. Regułę k-tą można dla systemu rozmytego typu 2
z wieloma wyjściami i jednym wyjściem (MISO) zapisać następująco:
~
~
~
~
R (k) : JEŻELI x1 jest A1k I x 2 jest A k2 I  I x n jest A kn , I 
(10.20)
~
~
I x N jest A kN TO y jest B k
~
Oznaczmy przez A k iloczyn kartezjański wejściowych zbiorów rozmytych,
czyli:
~
~
~
~
~
A k  A1k  A2k  ...  Ank  ...  ANk
(10.21)
Regułę (10.20) można zapisać jako implikację:
~
~
(10.22)
Ak  B k
Funkcja przynależności do iloczynu kartezjańskiego jest wynikiem działania tnormy na wejściowe zbiory rozmyte typu 2. Podobnie jak w systemach
rozmytych typu 1 funkcje przynależności do wyjściowych zbiorów rozmytych
zależą od zastosowanej na wejściu t-normy oraz rodzaju implikacji. Po
~
otrzymaniu wyników wnioskowania czyli zbiorów B k dokonywana jest ich
agregacja, następnie redukcja typu i wyostrzanie. Generalnie, obliczenia w
systemach rozmytych typu 2 są wykonywane bardzo wolno, a koszt obliczeniowy
jest duży. Dlatego często stosowane są przedziałowe funkcje drugorzędnej
przynależności. Są one wtedy stałe i równe 1 we wszystkich przedziałach.
Szerokość przedziału dla danej wartości x może, lecz nie musi być stała. W
przypadku stałej szerokości przedziału przyjmuje się dolne μD i górne μG wartości
funkcji przynależności, a następnie oblicza ich średnią μśr oraz szerokość
przedziału Δμ według prostych wzorów:
123
 G ( x)   D ( x )
(10.23)
2
   G   śr   śr   D
(10.24)
Na rys. 10.5 przedstawiono funkcje podstawowej i drugorzędnej przynależności
do przedziałowych zbiorów rozmytych typu 2 o stałej dla wszystkich x szerokości
przedziału.
 śr ( x) 
Rys. 10.5. Podstawowa (rys. a) i drugorzędna funkcja przynależności dla x=8
(rys. b)
Przedziałowe zbiory rozmyte typu 2 mogą być modelowane gaussowskimi
funkcjami przynależności z przesuniętymi wartościami środkowymi. Na rys. 10.6
przedstawiono przykładową funkcję przynależności do przedziałowego zbioru
rozmytego typu 2 uzyskaną w wyniku złożenia dwu przesuniętych funkcji
gaussowskich z wartościami średnimi równymi 8 i 10. Szerokości przedziałów
zależą od wartości x.
Rys. 10.6. Funkcja podstawowej przynależności do przedziałowego zbioru
rozmytego typu 2 modelowana dwiema funkcjami gaussowskimi o wartościach
średnich 8 i 10
Dla zilustrowania wnioskowania z zastosowaniem przedziałowych zbiorów
rozmytych typu 2 przedstawiony został przykład systemu z dwiema regułami.
124
Przykład 10.8.
Rozpatrzmy system rozmyty typu 2 z dwiema regułami z zastosowaniem operacji
minimum, jako t-normy oraz implikacji Mamdaniego.
Reguły rozmyte można zapisać następująco:
~
~
~
~
R (1) : JEŻELI x 1 jest A11 I x 2 jest A12 TO y jest B1
~
~
~
~
R ( 2) : JEŻELI x1 jest A12 I x 2 jest A 22 TO y jest B 2
Funkcje przynależności do przedziałowych zbiorów rozmytych typu 2
wejściowych i wyjściowych oraz wynik wnioskowania dla wartości wejściowych
x 1 i x 2 przedstawiono na rys. 10.7. Zastosowano rozmywanie typu singeltonsingleton.
Rys. 10.7. Przykład działania sterownika z implikacją Mamdaniego o dwóch
wejściach i jednym wyjściu, z zastosowaniem przedziałowych zbiorów rozmytych
typu 2
Działania na przedziałowych zbiorach rozmytych typu 2 sprowadzić można do
operacji na zbiorach rozmytych typu 1. Jak widać na rys. 10.7 odpowiednie
operacje przeprowadzono dla górnych i dolnych granic funkcji przynależności.
Algorytm obliczeń wynikowego zbioru rozmytego typu 2 w przykładzie 10.8
składa się z następujących kroków:
1. Wartości wejściowe x 1 i x 2 zostały rozmyte metodą singleton-singleton
(wzór 10.19).
2. W każdej z reguł znaleziono górne i dolne granice przedziałów powstałych
w wyniku przecięcia singletonów odpowiadających wartościom wejściowym
125
z odpowiednimi funkcjami
przynależności do przedziałowych zbiorów
rozmytych typu 2.
3. Dla każdej z reguł znaleziono wyniki działania t-normy (w tym przykładzie
minimum) oddzielnie na górne i dolne granice przedziałów.
4. Wartości wynikowe dla górnych i dolnych granic przedziałów zastosowano
jako stopnie aktywacji przy zastosowaniu danego typu implikacji (w przykładzie
10.8 zastosowano implikację Mamdaniego)
5. Zagregowano powstałe zbiory rozmyte typu 2 przy zastosowaniu s-normy
(w tym przykładzie maksimum).
Złożoność obliczeniowa algorytmu wnioskowania z zastosowaniem
przedziałowych zbiorów rozmytych typu 2 jest niewiele większa niż zbiorów
rozmytych typu 1. Również wyostrzanie można sprowadzić do obliczeń na
górnych i dolnych wartościach funkcji przynależności w wynikowym
przedziałowym zbiorze rozmytym typu 2 według algorytmu składającego się
z następujących kroków:
1. Podział zakresu wartości wyjściowych na N dyskretnych wartości [y1, y2,…,
yn,…,yN].
2. Dla każdej wartości yn znalezienie dolnej i górnej granicy przedziału funkcji


G
przynależności θ D
n , θn .
θ

 θG
n
2
4. Wyznaczenie wartości ostrej według wzoru:
3. Obliczenie wartości średniej θ śrn 
D
n
N
 y n θ śrn
y
n 1
N
 θ śrn
n 1
Przedziałowe zbiory rozmyte znajdują obecnie szerokie zastosowanie
w sterownikach, systemach eksperckich, układach rozpoznających itp. Ich
przewaga nad systemami rozmytymi typu 1 wynika z faktu, że przy niezbyt
dużym nakładzie obliczeniowym można w projektowanych systemach
uwzględnić nieprecyzyjność przy wyznaczaniu funkcji przynależności.
ROZDZIAŁ 11
ELEMENTY ROZMYTEGO PRZETWARZANIA
OBRAZÓW
11.1. Niepewność w przetwarzaniu obrazów……………………………….127
11.2. Poprawa jakości obrazu z zastosowaniem zbiorów rozmytych…….…128
11.3. Techniki rozmytej segmentacji…………………………………….….131
11.4. Detekcja krawędzi z zastosowaniem logiki rozmytej……………..…..134
Elementy rozmytego przetwarzania obrazów
127
11.1. Niepewność w przetwarzaniu obrazów
Zastosowanie zbiorów rozmytych i logiki rozmytej w przetwarzaniu obrazów
jest uzasadnione naturalnym brakiem ostrych granic pomiędzy poziomami
szarości czy połączeniami kolorów, wynika także z uwzględnienia percepcyjnych
własności człowieka, którego postrzeganie programy komputerowe starają się
naśladować. Dlatego też, celowe jest zastosowanie rozmytych technik na
wszystkich poziomach przetwarzania obrazów (rys. 11.1). Na niskim poziomie,
czyli przy przetwarzaniu wstępnym, brana jest pod uwagę nieokreśloność granic
szarości lub koloru, na średnim, obejmującym segmentację, reprezentację i opis
obrazu, rozmycie geometryczne, natomiast na wysokim poziomie, czyli
w analizie, interpretacji i rozpoznawaniu obrazów, brak pełnej wiedzy
o analizowanych obiektach.
obraz
niski poziom
średni poziom
wysoki poziom
Przetwarzanie
wstępne
Segmentacja
Reprezentacja
Opis
Analiza
Interpretacja
Rozpoznawanie
nieokreśloność
szarości
rozmycie
geometryczne
niepełna wiedza
niepewność
Rys. 11.1 Niepewność oraz niepełna wiedza w przetwarzaniu obrazów
Na niskim poziomie przetwarzania poziom szarości jest określony liczbą
z przedziału 0 – 255. Taki sposób reprezentacji nie uwzględnia postrzegania
człowieka, który nie dostrzega ostrych granic pomiędzy dyskretnymi poziomami
szarości. Różnice pomiędzy ostrą i rozmytą reprezentacją poziomu szarości
przedstawia rys. 11.2.
Rys. 11.2. Reprezentacja poziomu szarości przy zastosowaniu zbiorów ostrych
(z lewej strony) i rozmytych (z prawej strony)
128
11.2. Poprawa jakości obrazu z zastosowaniem zbiorów rozmytych
Obrazy rzeczywiste, szczególnie medyczne, są niekiedy nieostre lub
zaszumione. Dlatego też, pierwszym etapem przetwarzania jest poprawa ich
jakości. Przetwarzanie obrazów z zastosowaniem zbiorów rozmytych obejmuje
następujące etapy: rozmywanie obrazu, modyfikację funkcji przynależności oraz
wyostrzanie (rys. 11.3.). We wszystkich etapach wykorzystywany jest stan
wiedzy z zakresu zbiorów rozmytych i logiki rozmytej. Etapy rozmywania
i modyfikacji wykorzystują wiedzę eksperta zarówno do konstrukcji, jak
i przekształcania funkcji przynależności.
Rys. 11.3. Ogólny schemat przetwarzania obrazów z zastosowaniem zbiorów
rozmytych i logiki rozmytej
W procesie rozmywania każdemu pikselowi o określonym poziomie szarości
zostaje przyporządkowany stopień przynależności do odpowiedniego,
zaproponowanego przez eksperta zbioru rozmytego. Jeżeli obraz jest
dwuwymiarowy i czarno-biały, może być reprezentowany przez macierz
M  N , w której gm,n oznacza poziom jasności piksela o indeksie pionowym m
i poziomym n:
g11 g12 ... g1N 


g 21 g 22 ... g 2N 

G
(11.1)
...

... ... ...


g M1 g M2 ... g MN 
Rozmywanie obrazu polega najczęściej na przyporządkowaniu każdemu
poziomowi jasności odpowiedniego stopnia przynależności do zbioru rozmytego
jasny. Każdy piksel będzie więc charakteryzował się określonym stopniem
przynależności μ mn  [0, 1]. Często stosowana funkcja przynależności wyraża się
wzorem:
129
γ
 g
 g mn 

μ mn  1  max
(11.2)
β


We wzorze 11.2 gmax oznacza największą jasność, natomiast γ i β są odpowiednio
dobieranymi współczynnikami. W wyniku operacji rozmywania macierz 11.1
przybiera następującą formę:
μ11 μ12 ... μ1N 


μ 21 μ 22 ... μ 2N 
U
(11.3)
...

... ... ...


μ M1 μ M2 ... μ MN 
W celu zwiększenia kontrastu obrazu można dokonać modyfikacji funkcji
przynależności według reguły:
2  [μ mn ] 2
0  μ mn  0,5
μ 'mn  
(11.4)
1  2  [1  μ mn ] 2
0,5  μ mn  1
Wyostrzanie jest procesem odwrotnym do rozmywania i w związku z tym może
być przeprowadzone według formuły:
g 'mn  g max  β[(μ 'mn ) 1 γ  1]
(11.5)
Po modyfikacji i wyostrzeniu na wyjściu powstaje obraz o większym kontraście
(rys. 11.4).
Rys. 11.4.Etapy przetwarzania rozmytego
Algorytm rozmytego zwiększania kontrastu składa się więc z następujących
kroków:
1. Ustalenie parametrów gmax, β, γ.
2. Rozmywanie poziomu jasności według wzoru 11.2.
3. Rekursywna modyfikacja funkcji przynależności μ mn  μ ,mn według wzoru
130
11.4.
4. Generacja nowych poziomów jasności g 'mn według odwrotnego
przekształcenia (wzór 11.5).
Oczywiście możliwe jest przy zastosowaniu tej metody również zmniejszenie
kontrastu. W tym celu, dla przykładu, modyfikacja funkcji przynależności (krok
3) mogłaby być uśrednioną wartością dla kilku (np.: czterech) sąsiednich pikseli:
1
μ ,ij 
μ mn
(11.6)
4 m,nQ

gdzie Q={<i, j+1>, <i, j-1>, <i+1, j>, <i-1, j>}.
Uniwersalną metodą rozmytego przetwarzania obrazów cyfrowych jest
wykorzystanie odpowiednio dobranych reguł rozmytych. Ten sposób może
również służyć do poprawy kontrastu. Algorytm oparty o reguły rozmyte
przetwarzania obrazu składa się z następujących kroków:
1. Ustawienie parametrów systemu wnioskowania rozmytego tj. cech
wejściowych, funkcji przynależności itp.
2. Opracowanie bazy reguł rozmytych.
3. Rozmywanie jasności aktualnego piksela.
4. Wnioskowanie na podstawie bazy reguł.
5. Wyostrzanie.
Przykład 11.1.
Prześledźmy działanie algorytmu przetwarzania obrazu opartego o następujące
funkcje przynależności do zbiorów rozmytych wejściowych ciemny, średni, jasny
oraz wyjściowych singletonów rozmytych: czarny, szary, biały (rys. 11.5).
Rys. 11.5. Zbiory rozmyte wejściowe (WE) i wyjściowe(WY) do regułowej
regulacji kontrastu
Utwórzmy bazę następujących reguł rozmytych:
R1: JEŻELI gmn ciemny TO gmn’ czarny
R2: JEŻELI gmn średni TO gmn’ szary
R3: JEŻELI gmn jasny TO gmn’ biały
Prześledźmy wynik wnioskowania dla dwóch pikseli p1 (o jasności 70) i p2
(o jasności 150). Wynik wnioskowania przedstawiony został na rys. 11.6.
131
Rys. 11.6. Wnioskowanie rozmyte dla pikseli P1 i P2 o jasnościach 70 i 150
W wyniku aktywacji pierwszej reguły dla pikseli o jasności p1 otrzymujemy
stopień przynależności 0,3 do singletonu czarny i 0,76 do singletonu szary.
Ponieważ zbiory wyjściowe są singletonami wyostrzanie przeprowadzimy
według wzoru:
 ciemny  S1   średni  S 2   jasny  S 3
,
g mn

(11.7)
 ciemny   średni   jasny
Dla pikseli o jasności p1 otrzymamy:
0,76  20  0,3  120
g ,p1 
 48
0,76  0,3
Natomiast dla pikseli p2 o jasności 150:
0, 47  220  0,59  120
 164
0,47  0,59
Widzimy więc, że piksele o jasności 70 zostały przyciemnione, piksele o jasności
150 rozjaśnione.
g ,p1 
11.3. Techniki rozmytej segmentacji
W wielu aplikacjach stosuje się progowanie obrazów na ich odpowiedniki
binarne. Generowanie obrazów binarnych jest częstą procedurą przy ekstrakcji
cech i rozpoznawaniu obiektów. Może być traktowane, jako najprostszy sposób
segmentacji lub bardziej ogólnie, jako dwuklasowa procedura grupowania.
Wyróżnia się kilka algorytmów progowania rozmytego (ang. fuzzy thresholding),
a mianowicie: metoda reguł rozmytych (ang. rule-based approach), zastosowanie
teorii informacji (ang, information-teoretical approach), podejście rozmytej
geometrii (ang. fuzzy geometrical approach) grupowanie rozmyte (ang. fuzzy
clustering) np.: przy zastosowaniu rozmytej metody c-średnich (ang. fuzzy cmeans – FCM).
132
Często w progowaniu obrazów znajduje zastosowanie metoda związana
z teorią informacji ze względu na prostotę i szybkość. Polega ona na
poszukiwaniu minimów lub maksimów takich wielkości jak indeks rozmycia
(ang. index of fuzziness), rozmytej entropii (ang. fuzzy entropy), rozmytej
dywergencji (ang. fuzzy divergence) itp. Najczęściej stosowaną miarą jest indeks
rozmycia, który dla podzbioru A obrazu M  N z L poziomami szarości
( g  [0, L  1] ), histogramem h(g) i funkcją przynależności µA(g) jest definiowany
następująco:
γ L ( A) 
2 L 1
h (g)  min[ μ A (g), 1 - μ A (g )]
MN g 0

(11.8)
Dla obrazów przestrzennych wzór 11.8 przybiera postać:
2 M N
(11.9)
min[ μ A (g m,n ), 1 - μ A (g m,n )]
MN m 1 n 1
W celu określenia globalnego i lokalnego rozmycia należy zdefiniować funkcję
przynależności µA(g). W literaturze spotyka się zastosowanie różnego rodzaju
funkcji od standardowej funkcji s (rys. 11.7) po wyrażonej liczbą LP (wzór
11.10).
γ L ( A) 

Rys. 11.7. Funkcja przynależności typu s w zastosowaniu do progowania obrazów
Tizhoosh zdefiniował progującą funkcję przynależności jako liczbę LP :


dla g  g min g  g max
0


 g  g min 



 (g )  L(g)  
dla g min  g  T
(11.10)

 T  g min 



 g max  g 



P
(
g
)

dla T  g  g max

g

 max  T 

We wzorze 11.10 gmin i gmax oznaczają: minimalny i maksymalny poziom
jasności, T – odpowiednio zmieniany poziom w zakresie [0, L-1]. Współczynniki
α, β są dobierane do danego histogramu.
Ogólny algorytm progowania obrazów z zastosowaniem miary rozmycia składa
133
się z następujących kroków:
1. Wybór kształtu funkcji przynależności.
2. Wybór właściwej miary rozmycia (np.: obliczanej według wzoru 11.8).
3. Obliczenie histogramu obrazu.
4. Inicjalizacja położenia funkcji przynależności.
5.Przesuwanie funkcji przynależności wzdłuż zakresu poziomu szarości (przykład
przesuwania przedstawia rys. 11.8) i wyliczanie w każdej pozycji odpowiedniego
rozmycia (wzór 11.10).
6. Lokalizacja poziomu optymalnego gopt w maksimum rozmycia.
7. Przyjęcie poziomu T=gopt za wyznaczony próg.
Rys. 11.8. Przesuwanie funkcji przynależności typu Λ w zakresie poziomu
szarości. Maksimum rozmycia (T) wskazuje optymalny próg
W przetwarzaniu obrazów medycznych znalazła też zastosowanie koncepcja
Zadeha rozmytej granulacji. Ideę takiego przetwarzania zilustrowano na rys. 11.9.
obraz
kwantyzacja i ekstrakcja cech
kwant
kwant
…
kwant
kwant
iteracyjne łączenie rozmyte
granula
…
granula
Rys. 11.9. Implementacja metody rozmytej granulacji
134
11. 4. Detekcja krawędzi z zastosowaniem logiki rozmytej
Obrazy rzeczywiste, szczególnie medyczne lub wykonane w podczerwieni są
często niekompletne i nieostre. W szczególności trudnym problemem jest
wykrycie krawędzi, rozmytych, słabo widocznych, częściowo ukrytych,
zniekształconych w wyniku niejednolitego oświetlenia itp. Typowe krawędzie
charakteryzują się gwałtowaną zmianą funkcji lub nachylenia płaskiej
powierzchni. W obrazach rozmytych krawędzie mają różne stopnie zaciemnienia
lub oddzielają obszary o niejednakowej jasności oraz zaszumione. Regiony, które
nie są rozdzielone w sposób ostry, mogą być traktowane jako rozmyte podzbiory
obrazu. Każdemu pikselowi obrazu może być przyporządkowany stopień
przynależności do zbioru rozmytego [2-4, 6, 11, 22-23].
W praktycznych realizacjach zakres intensywności jest dzielony na szereg
podzbiorów rozmytych Xl = {µ(x, y)/(x, y)} reprezentujących kolejne (l-te)
poziomy intensywności. Powierzchnia podzbiorów rozmytych:
a (μ ) 
μ (x, y)
(11.11)

x
y
Długość (l(µ)) i szerokość (b(µ)) zbioru rozmytego można przedstawić wzorami:


l(μ )  max  μ ( x , y) 
(11.12)

x 
y





(11.13)
b(μ )  max μ ( x , y) 

y 
 x

Indeks pola obszaru zbioru rozmytego (ang. index of area coverage) IOAC
wyraża się następującym wzorem:
a (μ )
IOAC(μ ) 
(11.14)
l(μ )  b(μ )
Minimalizacja wskaźnika IOAC jest obiektywnym kryterium progowania
histogramu i segmentacji obrazów. Algorytm
wykorzystujący powyższy
wskaźnik składa się z następujących kroków:
1. Konstrukcja funkcji przynależności np.: typu s lub Λ
2. Obliczenie wskaźnika IOAC(µ) według wzorów 11.11 – 11.14.
3. Przesuwanie funkcji przynależności (jak na rys.11.8) i poszukiwanie lokalnych
minimów.
4. Każdy punkt dla którego istnieje minimum wskaźnika IOAC jest
porównywany z punktami sąsiednimi.
Detekcja krawędzi jest także możliwa przy zastosowaniu reguł rozmytych
Przykład konstrukcji reguł rozmytych do tego celu zilustrowano na rys. 11.10.
W algorytmie tym zostały odpowiednio rozmyte jasności punków obrazu przy
zastosowaniu wybranej funkcji przynależności do zbioru rozmytego ciemny.
Następnie obszar obrazu dzielono na fragmenty 3x3. Wykrywanie linii było

135
wynikiem oceny funkcji przynależności trzech punktów sąsiadujących do zbioru
rozmytego ciemny.
Rys. 11.10. Przykładowa konstrukcja reguł rozmytych do detekcji krawędzi
ROZDZIAŁ 12
LOGIKA ROZMYTA W MEDYCYNIE
12.1. Grupowanie rozmyte w diagnostyce medycznej……………………..137
12.2. Rozmyte przetwarzanie obrazów medycznych……………………....137
12.3. Rozmyte systemy monitorowania i kontroli…………………………139
12.4. Relacje rozmyte w diagnostyce………………………………………140
12.5. Logika rozmyta w medycznych systemach ekspertowych…………..143
Logika rozmyta w medycynie
137
12.1. Grupowanie rozmyte w diagnostyce medycznej
Podczas badań medycznych często uzyskuje się bardzo dużą liczbę danych,
często nieprecyzyjnych i nieostrych. Z tego względu stosowane są aplikacje do
inteligentnego ich grupowania. Jeden z podstawowych algorytmów grupowania
rozmytego został opisany w podrozdziale 7.2.1.
Przykładowe zastosowanie grupowania rozmytego do klasyfikacji zaburzeń
rytmu serca przedstawili Geva i Karem [1]. Pomiary dotyczyły interwałów
czasowych pomiędzy charakterystycznymi punktami EKG w trwającym 30 minut
zapisie tego sygnału. W wyniku pomiarów uzyskano ok. 6000 danych R(n).
Ponieważ arytmia objawia się wydłużeniem lub skróceniem interwału
przeprowadzono grupowanie rozmyte w przestrzeni R(n) R(n+1), dzięki czemu
uzyskano obraz arytmii w postaci skupień odpowiadających normalnemu,
przyśpieszonemu i spowolnionemu rytmowi serca.
12.2. Rozmyte przetwarzanie obrazów medycznych
W przetwarzaniu obrazów medycznych techniki logiki rozmytej są stosowane
do polepszania ich widoczności, segmentacji i rozpoznawania. Przykładowe
wykorzystanie logiki rozmytej do segmentacji obrazów otrzymanych z rezonansu
magnetycznego zostanie zaprezentowane na podstawie badań, które
przeprowadzili Kobashi, Yata i Hall [1]. Na obrazach MRA (ang. magnetic
resonance angiography) naczynia krwionośne są słabo widoczne, a ich granice
nieostre. W celu wyselekcjonowania tych struktur z otoczenia, które składa się
z tkanki kostnej, mięśniowej, tłuszczowej, płynu mózgowego, białej i szarej
tkanki mózgu, zastosowano metodę granulacji rozmytej informacji (rozdz. 11).
W procesie ekstrakcji cech wyróżniono trzy cechy charakteryzujące kwant
naczynia krwionośnego a mianowicie unaczynienie (Av), wąskość(An)
i konsystencję histogramu (Ah). Pierwsze dwie cechy określające podobieństwo
kwantu do naczynia krwionośnego zostały zdefiniowane wzorami:
4 πS m
V
Av 
dm
An  3/ 2
(12.1)
2
L
M
S
m m

Lm, Sm – odpowiednio obwód oraz powierzchnia przekroju poprzecznego, M długość kwantu wzdłuż głównej osi, V – liczba voxeli kwantu, S – średnie pole
przekroju.
Trzecia cecha wynikająca z charakterystyki histogramu odróżniającej naczynia
krwionośne od innych tkanek wyznaczana była ze wzorów:
Ah 
 x  g p ( x)dx
 g p (x)dx
g p ( x) 
f p ( x)
f w ( x)
(12.2)
Odpowiednie zmienne we wzorach 12.2 oznaczają: x – poziom jasności, fp(x),
fw(x) – odpowiednio, liczby voxeli kwantu i całego obrazu o poziomie jasności x
unormowane do 1.
138
Na podstawie wiedzy ekspertów lekarzy opracowano funkcje przynależności do
następujących zbiorów rozmytych: wysoki (W), raczej wysoki (rW), niski (N)
i raczej niski (rN) dla poszczególnych parametrów. Na rys. 12.1 przedstawiono
przykładowe funkcje przynależności do tych zbiorów dla parametru Ah.
Rys. 12.1 Funkcje przynależności do zbiorów rozmytych: niski (N), raczej niski
(rN), raczej wysoki (rW) i wysoki (W) poziom parametru Ah
Segregacja kwantów odbywała się według reguł umieszczonych w tabeli 12.1
Tabela 12.1. Selekcja kwantów do grup: naczynie krwionośne, tkanka tłuszczowa
model Nazwa
Av
An
Ah
A
naczynie
wysoka
wysoka
wysoka
B
naczynie
raczej wysoka raczej wysoka
raczej wysoka
C
naczynie
raczej niska
wysoka
raczej wysoka
D
tłuszcz
raczej niska
wysoka
raczej niska
E
tłuszcz
raczej niska
raczej niska
raczej niska
F
tłuszcz
niska
niska
niska
Globalny stopień przynależności dla danego kwantu był wyznaczany w oparciu
o formułę:
μ  μn
μ  min( V
,μh )
(12.3)
2
Kwant był zaliczany do tej grupy, dla której jego globalny stopień przynależności
był największy. W następnym kroku algorytmu kwanty sąsiadujące były łączone.
Proces łączenia przebiegał według następującej zasady. Dla połączonych
kwantów obliczano parametry Av, An i Ah oraz określano stopień przynależności
posługując się formułami i wzorem 12.3. Globalny stopień przynależności
połączonych kwantów porównywano ze stopniami dla pojedynczych kwantów.
Jeśli stopień przynależności całości był większy od stopni przynależności
pojedynczych elementów łączenie akceptowano. Proces był kontynuowany do
momentu, gdy już żaden kwant nie był przyłączany. W ten sposób otrzymywano
granule. Pozwoliło to zobrazować wąskie naczynia krwionośne i rozgałęzienia
139
bardzo słabo widoczne na obrazie oryginalnym, co jest niezmiernie ważne
w diagnozowaniu tętniaków w mózgu.
12.3. Rozmyte systemy monitorowania i kontroli
Monitorowanie i kontrola rozmyta jest przedmiotem bardzo wielu systemów
do obserwowania sygnałów fizjologicznych, automatycznego dawkowania
lekarstw, sterowania aparaturą oddechową, automatycznych alarmów. Są to
systemy o dużym stopniu złożoności. Wiele aplikacji opracowano do kontroli
anestezjologicznej. Przykładem inteligentnego alarmu anestezjologicznego jest
system, który opracowali Jungk, Thull i Rau [1]. Architekturę tego systemu
przedstawia rys. 12.2.
Rys. 12.2. Architektura inteligentnego alarmu. Podsystem rozmyty otoczony linią
przerywaną
Parametry życiowe: wskazania elektrokardiografu, częstość serca, tętnicze
ciśnienie skurczowe, itp. mierzone co 5 sek. oraz trendy spadku lub wzrostu
(obliczane przy wykorzystaniu regresji liniowej i wielomianowej) po wstępnym
przetwarzaniu i rozmyciu stanowiły zmienne wejściowe układu wnioskowania
rozmytego. Odbywało się ono na podstawie 569 reguł opracowanych na
podstawie danych uczących. Zastosowano trójstopniowy system regułowy.
W pierwszym stopniu poprzedniki reguł stanowiły: parametr życiowy i jego
trend. W drugim odpowiednio łączono parametry wyjściowe z pierwszego
stopnia, w trzecim drugiego stopnia. Stosowano kompensator Zimmermana
z parametrem γ=1/2, jako operator agregujący. Na wyjściu stosowano
sygnalizator barwny złożony z czterech sigletonów rozmytych: µdobrze(x) =1 →
zielony, µtrochę źle (x) =1 → żólty, µźle(x) =1 → pomarańczowy, µbardzo źle(x) =1 →
140
czerwony. Działanie systemu zostało przetestowane przez lekarzy
anestezjologów. Jest to bardzo ważna procedura przy konstruowaniu systemów
dla medycyny. Ocena stanu pacjenta przez anestezjologa stanowiła punkt
odniesienia dla inteligentnego systemu. Macierz ocen przedstawia rys. 12.3.
Rys. 12.3. Macierz ocen inteligentnego alarmu
Zastosowano następujące wskaźniki oceny alarmów:
Czułość (ang. sensitivity) = (∑pozytywnych prawdziwych) / (∑pozytywnych
prawdziwych +∑negatywnych fałszywych).
Specyficzność (ang. specificity) = (∑negatywnych prawdziwych) /
(∑negatywnych prawdziwych +∑pozytywnych fałszywych).
Przewidywalność (ang. predictability) = (∑pozytywnych prawdziwych) /
(∑pozytywnych prawdziwych +∑pozytywnych fałszywych).
Parametry te wynosiły odpowiednio: 95,7%, 95,3%, 87,4, co świadczy o dobrym
funkcjonowaniu systemu.
12.4. Relacje rozmyte w diagnostyce medycznej
Diagnozowanie medyczne polega na określaniu związku pomiędzy
symptomami i chorobami. Wiedza o symptomach uzyskiwana bezpośrednio z
wywiadu z pacjentem oraz specjalistycznych badań charakteryzuje się różnym
stopniem niepewności. Dla przykładu na podstawie wyników laboratoryjnych
niemożliwe jest określenie ostrej linii granicznej pomiędzy stanem prawidłowym
i patologicznym. Opis objawów choroby przez pacjenta jest subiektywny
i niekompletny, mogą być one wyolbrzymiane lub niedoceniane. Uzasadnione
jest więc wykorzystanie zbiorów i relacji rozmytych w systemach wspomagania
diagnostyki. Pierwszy rozmyty model relacyjny między symptomami i chorobami
zaproponował w 1979 roku Sanchez. W modelu tym zbiór rozmyty A(s)
reprezentował symptomy obserwowane u pacjenta, natomiast relacja rozmyta
R(s, d) medyczną wiedzę o związku symptomów s z chorobami d. Zbiór rozmyty
141
B(d) odpowiadający przypuszczalnej diagnozie był wynikiem złożenia zbioru
rozmytego A(s) i relacji rozmytej R(s,d) (wzory 12.4).
B  AR
B(d )  max{min[A(s), R (s, d )]}
(12.4)
sS
Stopnie przynależności obserwowanych symptomów do zbioru rozmytego A(s)
zależały od możliwości występowania symptomów lub ich intensywności.
Stopnie przynależności w zbiorze rozmytym B(d) określały poziom pewności
diagnozy. Relacje rozmyte R(s, d) mogą tworzyć większe relacje T będące
złożeniem z relacją Q określoną na zbiorze pacjentów P i zbiorze chorób D (rys.
12.4):
T  QR
(12.5)
Rys. 12.4. Zbiory i relacje rozmyte w diagnostyce medycznej
Do rozwiązania rozmytego równania relacji 12.5 potrzebne jest doświadczenie
medyczne pozwalające na określenie relacji pomiędzy symptomami i chorobami
na podstawie wcześniejszych diagnoz. Możliwe jest, że w relacji R pojawi się
więcej związków symptomy-choroby niż w rzeczywistości. Rezultaty
zastosowania relacji R do danych symptomów należy, więc, traktować raczej jako
hipotezy niż potwierdzenie diagnozy. W modelu, który zaproponował Adlassnig
w projekcie CARDIAC-2 do wspomagania diagnozy, założono istnienie dwóch
typów relacji: występowania i potwierdzenia. Pierwszy typ jest źródłem wiedzy
o tym, jak często symptomy s występują przy chorobie d, drugi określa moc
z jaką symptomy potwierdzają diagnozę danej choroby.
Przykład 12.1.
Oznaczmy ostre zbiory symptomów, chorób i pacjentów odpowiednio przez S, D
142
i P. Zdefiniujmy relację R s(s, p) na iloczynie kartezjańskim P  S . Funkcja
przynależności µs(s, p) wskazuje na stopień obecności symptomu s u pacjenta p.
Zdefiniujmy relację rozmytą Ro(s, d) na iloczynie kartezjańskim S D . Stopień
przynależności µo(s, d) jest wskaźnikiem częstości występowania symptomu s
podczas choroby d. Niech Rc(s, d) będzie rozmytą relacją określoną na tym
samym zbiorze S D , zawierającą stopnie przynależności µc(s, d), będące
wskaźnikami potwierdzenia przez symptom s diagnozy choroby d. Oczywiście
stopnie przynależności do tych relacji wynikać powinny z dokumentacji
medycznej, zawierającej np.: stwierdzenia typu: „ symptom s rzadko wskazuje na
chorobę d” lub „symptom s zawsze wskazuje na chorobę d”. itp.
Przyporządkujmy odpowiednie stopnie przynależności
do
stwierdzeń
lingwistycznych zawsze, często, rzadko, nigdy a mianowicie: 1; 0,75; 0,5; 0,25;
0. Załóżmy, że dokumentacja medyczna dotyczy relacji między symptomami s1,
s2, s3, a chorobami d1, d2 i składa się z następujących stwierdzeń:
Symptom s1 występuje bardzo rzadko u pacjentów chorych na d1.
Symptom s1 występuje często u pacjentów chorych na d2 lecz rzadko potwierdza
diagnozę choroby d2.
Symptom s2 występuje zawsze u pacjentów chorych na d1 i zawsze potwierdza
chorobę d1; s2 nigdy nie występuje przy chorobie d2 i jego obecność nigdy nie
potwierdza choroby d2.
Symptom s3 występuje bardzo często u pacjentów chorych na d2 i często
potwierdza chorobę d2.
Symptom s3 występuje rzadko u pacjentów chorych na d1.
Ponieważ w niektórych stwierdzeniach występuje łącznik bardzo odpowiednie
stopnie przynależności zostaną obliczone poprzez modyfikację:
μ bardzo ( x )  [μ ( x)] 2
(12.6)
Na podstawie załączonej dokumentacji możemy utworzyć następujące relacje
rozmyte:
0,06 0,75
R O   1
0 
0,25 0,56
0,5 0,25
R C   1
0 
0,5 0,75
Załóżmy, że znamy relację Rs występowania symptomów s1, s2, s3 u pacjentów p1,
p2, p3.
0,4 0,8 0,7
R S  0,6 0,9 0 
0,9 0
1 
Mając relacje RS i RO oraz RC tworzymy cztery relacje: R1 - oznaczającą
występowanie symptomów, R2 – potwierdzająca diagnozę, R3 - oznaczającą
niewystępowanie symptomów i R4 - nie potwierdzającą diagnozę.
0,8 0,56 
R1(p, d)  RS  R O  0,9 0,6 
0,25 0,75
0,8 0,7 
R 2 (p, d)  R S  R C  0,9 0,25
0,5 0,75
0,7 0,8 
R 3 (p, d)  RS  (1  R O )  0,6 0,9 
0,9 0,44
143
0,25 0,6 
R 4 (p, d)  (1  RS )  R O  0,25 0,56
1
0,1
Z tych czterech relacji można wyciągnąć wiele wniosków diagnostycznych.
Relacja R2 wskazuje, że symptom d1 potwierdza diagnozę u pacjenta p2. Relacje
R3 i R4 wykluczają diagnozę u pacjenta p3 na podstawie symptomu d1.
Generalizując można uznać, że wystarczającym potwierdzeniem hipotezy dla
pacjenta p na podstawie symptomu d jest aby max[R 1 (p, d ), R 2 (p, d)]  0,5.
W późniejszych wersjach systemu CADIAG-2 zawarto nie tylko relacje
symptomy-choroby, ale również relacje choroby- choroby, symptomy-symptomy
oraz związki między kombinacjami choroby-symptomy. System został
przetestowany w przypadkach chorób reumatycznych uzyskując 94,5%
poprawnych diagnoz.
12.5. Logika rozmyta w medycznych systemach ekspertowych
Systemy ekspertowe są inteligentnymi programami komputerowymi,
w których wykorzystywana jest wiedza i stosowane procedury wnioskowania
w oparciu o doświadczenia człowieka - specjalisty w danej dziedzinie.
Podstawowe elementy systemu ekspertowego to baza wiedzy, maszyna
wnioskująca oraz interfejs użytkownika, za pośrednictwem którego może on
uzyskać odpowiedź na zadane systemowi pytanie. Baza wiedzy składa się ze
zbioru faktów oraz reguł, które są wykorzystywane w module wnioskowania.
Dobry system ekspertowy powinien zawierać możliwie pełną wiedzę w danej
dziedzinie, zapewniać możliwość jej aktualizacji, umiejętnie naśladować sposób
rozumowania człowieka – eksperta oraz charakteryzować się przyjaznym dla
użytkownika interfejsem. Dla celów medycznych opracowano wiele systemów
ekspertowych. Przykładami są: MYCIN - opracowany w USA w 1974 r. - służący
jako „doradca” dla lekarzy przy diagnozowaniu chorób zakaźnych, CASNETzbudowany przez Kulikowskiego i Weissa
do diagnozowania
stanów
chorobowych związanych z jaskrą, PIP - wspomagający diagnozę chorób
związanych zaburzeniami nerek, INTERNIST/CADUCEUS do diagnozowanie
500 jednostek chorobowych, AVES-N - opracowany przez IBIB PAN oraz
Instytut Matki i Dziecka przeznaczony do wspomagania leczenia noworodków
z zespołem niewydolności oddechowej. Ze względu na fakt, że dane medyczne
pochodzące z wywiadu z pacjentem i badań laboratoryjnych charakteryzuje
często niepewność i nieostrość granic, do systemów ekspertowych włączane są
elementy logiki rozmytej. Jednym z takich systemów jest DSCHDRA do oceny
zagrożenia chorobą zakrzepową krwi, który opracowali Schuster, Adamson
i Bell. Ogólny schemat tego sytemu przestawia rys. 12.5.
144
Rys. 12.5. Schemat ogólny systemu ekspertowego do oceny zagrożenia chorobą
zakrzepową krwi
W systemie tym można wyróżnić dwie podstawowe części: bazę przypadków
oraz komponent wnioskowania rozmytego. Zapytanie jest kierowane do bazy,
w której poszukiwany jest najbliższy podanym wartościom przypadek medyczny
oraz rozmytego systemu wnioskowania, który składa się standardowo z: bloku
rozmywania, bazy reguł rozmytych bloku wnioskowania oraz wyostrzania.
System wnioskowania rozmytego służy głównie do oceny cholesterolu, którego
zwiększony poziom jest główną przyczyną choroby zakrzepowej krwi. Do pełnej
oceny ryzyka istotne znaczenie mają pomiary poziomu: ogólnego T (ang. total),
LDL (ang. low-density lipoproteins) zwanego często „złym cholesterolem”, HDL
(ang. high-density lipoproteins) zwanego „dobrym cholesterolem” oraz
stosunków T/HDL, LDL/HDL. Jeśli wartości tych wskaźników nie przekraczają
określonych granic, określa się poziom cholesterolu jako normalny. Granice te są
oczywiście nieostre. Dla każdego ze wskaźników opracowano w oparciu o opinie
lekarzy specjalistów funkcje przynależności do zbiorów rozmytych: normalny,
graniczny, nienormalny i ryzykowny. Podobnie nazwane zbiory rozmyte
charakteryzowały rozmycie wskaźnika na wyjściu, którego zakres ustalono na
[0,1] o nazwie ogólnej cholesterol. Tak więc na wyjściu otrzymywano zbiór
rozmyty. W wyniku wyostrzania uzyskiwano wskaźnik informujący o tym, czy
pomiary wskazują na stan normalny, graniczny względnie stan zagrożenia.
Informacja ta w połączeniu z analizą przypadków zbliżonych dawała pełny obraz
stanu zagrożenia u badanej osoby.
BIBLIOGRAFIA
1. Barro S., Martin R, Fuzzy Logic in Medicine, Physica-Verlag, Heidelberg New
York, 2002.
2. Barni M., Gualtieri R., A new possibilistic clustering algorithm for line
detection in real world imaginery, Pattern Recognition, 32, 1999, 1897-1909.
3. Bigand A., Bouwmans T., Dubus J. P., Extraction of line segments from fuzzy
images, Pattern Recognition Letters, 22, 2001, 1405-1418.
4. Bigand A, Colot O., Fuzzy filter based on interval-valued fuzzy sets for image
filtering, Fuzzy Sets and Systems 161, 2010, 96-117.
5. Cader A., Rutkowski L., Tadeusiewicz R., Zurada J., Artificial Intelligence
and Soft Computing, Academic Publishing House EXIT, Warsaw 2006.
6. Cheng H. D., Yen-Hung Chen, Fuzzy partition of two-dimensional histogram
and its application to thresholding, Pattern Recognition, 32, 1999, 825-843.
7. Greenfield S., Chiclana F., Coupland S., John R., The collapsing method of
defuzzification for discretised interval type-2 fuzzy sets, Information Sciences,
179, 2009, 2055-209.
8. Haas O.C. L., Burnham K. J., Intelligent and Adaptive Systems in Medicine,
Taylor & Francis, 2008.
9.Karnik N. N., Mendel J. M., Centroid of a typ-2 fuzzy set, Information Science,
132, 2001, 195-220.
10. Klir G. J.Yuan B., Fuzzy sets and fuzzy logic. Theory and Applications,
Prentice Hall PTR, NJ, 1995.
11. Krell G., Tishoosh H. R., Lielienblum T., Moore C. J., Michaelis B.,
Enhancement and associative restoration of electronic portal images in
radiotherapy, Journal of Medical Informatics, 49, 1998, 157-171.
12. Liu F, An efficient type-reduction strategy for general type-2 fuzzy logic
system, Information Science, 178, 2008, 2224-2236.
13. Łachwa A., Rozmyty świat zbiorów, liczb, relacji, faktów, reguł i decyzji,
Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001.
146
Bibliografia
14. Łęski J., Systemy neuronowo-rozmyte, WNT, Warszawa 2008.
15. Martinez R., Castillo O., Aguilar L. T. , Optimization of interval type-2 fuzzy
logic controllers for a perturbed autonomous wheeled mobile robot using genetic
algorithms, Information Science 179, 2009, 2158-2174.
16. Mendel J. M., On answering the question “ Where do I start in order to solve
a new problem involving interval type-2 fuzzy sets?, Information Science 179,
2009, 3418-3431.
17. Myszkorowski K., Zadrożny S., Szczepaniak P.S., Klasyczne i rozmyte bazy
danych, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2008.
18. Rutkowski L., Metody i techniki sztucznej inteligencji, PWN, Warszawa
2005.
19. Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy
genetyczne i systemy rozmyte, PWN, Warszawa 1999.
20. Sinčák P., Vaščák J., Sirota K., Machine Intelligence Quo Vadis?, Word
Scientific, 2004.
21. Suszyński W., Kuniszyk-Jóźkowiak W., Smołka E., Wiśniewski M., Codello
I., Automatic recognition of Non-Fluent Stops, Polish J. of Environ. Stud.,
Vol.17, No. 3B, 2008, 428-432.
22. Tizhoosh H. R., Image thresholding using type II Fuzzy sets, Pattern
Recognition, 38, 2005, 2363-2372.
23. Tizhoosh H. R., Krell G., Michaelis G. B., On fuzzy enhancement if
megavolte images in radiation therapy, IEEE Conference on Fuzzy Systems,
1997, 1399-1404.
24. Yager R. R., Filev D. P., Podstawy modelowania i sterowania rozmytego,
WNT, Warszawa 1995.
SŁOWNIK
absorption
absorpcja
ambiguity
nieokreśloność
associativity
łączność
belief measure
miara przekonania
Cartesian product
iloczyn kartezjański
center of gravity method
metoda środka ciężkości
characteristic function
commutativity
funkcja charakterystyczna
przemienność
compatibility relation
relacja zgodności
compensatory operations
complement
operacje skompensowane
dopełnienie
composition based inference
wnioskowanie oparte na złożeniu
core
crisp sets
rdzeń
zbiory ostre
defuzzyfication
wyostrzanie
distributivity
rozdzielność
equivalence relation
evidence theory
relacja równoważności
teoria dowodów
extension principle
zasada rozszerzania
First Aggregate Then Infer
First Infer Then Aggregate –FITA
fuzzy classifiers
fuzzy clustering
fuzzy c-means algorithm
fuzzy divergence
fuzzy entropy
fuzzy geometrical approach
agregacja a następnie wnioskowanie
wnioskowanie a następnie agregacja
klasyfikatory rozmyte
grupowanie rozmyte
algorytm rozmytych c-średnich
rozmyta dywergencja
rozmyta entropia
metoda rozmytej geometrii
fuzzy interval
przedział rozmyty
fuzzy logic controller
fuzzy measure
sterownik rozmyty
miary rozmyte
Słownik
148
fuzzy sets
zbiory rozmyte
fuzzy thresholding
fuzzyfication
grid partition
progowanie rozmyte
rozmywanie
podział siatkowy
idempotence
identify
idempotentność
identyczność
implikacja
inkluzja
implication
inclusion
index of fuzziness
individual rule inference
information-theoretical approach
intersection
involution
law of contradiction
law of excluded middle
left spreads
L-R (left -right) number
membership function
Multi-Input-Multi-Output system
Multi-Input-Single-Output system
necessity measure
nested sets
ordering fuzzy relation
pattern recognition
plausibility measure
possibility distribution function
possibility measure
possibility theory
probability measure
indeks rozmycia
wnioskowanie oparte na pojedynczych
regułach
zastosowanie teorii informacji
przecięcie, iloczyn
inwolucja
prawo zaprzeczenia
prawo wyłączonego środka
rozrzut lewostronny
liczba rozmyta L-R (lewa-prawa)
funkcja przynależności
system o wielu wejściach i wielu wyjściach
system o wielu wejściach i jednym wyjściu
miara konieczności
zbiory zagnieżdżone
rozmyta relacja porządku
rozpoznawanie wzorców
miarę domniemania
funkcja rozkładu możliwości
miara możliwości
teoria możliwości
miara probabilistyczna (prawdopodobna)
projection
projekcja
reflexivity
right spreads
rule-based approach
scatter partition
zwrotność
standard fuzzy operations
operacje standardowe na zbiorach
rozrzut prawostronny
metoda reguł rozmytych
podział rozproszony
Słownik
149
strict negation
strong negation
rozmytych
ścisła negacja
silna negacja
symmetry
tolerance relation
transitivity
symetria
relacja tolerancji
przechodniość
union
suma
vagueness
niewyraźność
α-cuts
α-przekroje
150
SKOROWIDZ
absorpcja
agregacja zbiorów rozmytych
algebra Boole'a
algebra de Morgana
algorytm Gustafsona-Kessela
algorytm rozmytego progowania
algorytm rozmytego zwiększania kontrastu
algorytm rozmytej segmentacji
algorytm rozmyty c-średnich
algorytm rozpoznawania niepłynności
algorytm tworzenia bazy reguł
algorytm Wang'a - Mendela
algorytm wyznaczania centroidu
algorytm z podziałem rozproszonym
alternatywa
baza reguł rozmytych
blok rozmywania
blok wnioskowania
blok wyostrzania
czas fonacji
czułość
dodawanie liczb LP
dodawanie liczb rozmytych
dopełnienie relacji rozmytej
dopełnienie standardowe
dopełnienie Sugeno
dopełnienie Yagera
dopełnienie zbiorów rozmytych typu 2
3
66
2
19
88
132, 133
129, 130
131, 132
85-87
93-95
71-74
71
120, 121
73, 74
54
63, 64
74
74-76
76-78
92
140
51
45
38
19
30, 31
31, 32
118
Skorowidz
dopełnienie zbioru ostrego
dzielenie liczb LP
dzielenie liczb rozmytych
entropia podziału
entropia Shannona
funkcja przynależności s
funkcja przynależności z
funkcja przynależności π
funkcja charakterystyczna
funkcja drugorzędnej przynależności
funkcja głównej przynależności
funkcja podstawowej przynależności
funkcja przynależności
funkcja przynależności π
funkcja przynależności gaussowska
funkcja przynależności L
funkcja przynależności sigmoidalna
funkcja przynależności Γ
funkcja przynależności Λ
funkcja przynależności П
funkcja rozkładu możliwości
grupowanie rozmyte
idempotentność
identyczność
iloczyn kartezjański
iloczyn liczb LP
iloczyn liczb rozmytych
iloczyn zbiorów rozmytych typu 2
implikacja Gödela
implikacja Goguena
implikacja Kleene'a-Dienesa
implikacja Larsena
implikacja Łukaszewicza
implikacja Mamdaniego
implikacja Reschera
151
2
52
45
89
104
10
10
10
2
115
115
115
5, 7
10
11
7
12
7
8
9
100
84
3
3, 4
4, 34
51
47
118
61, 62
61
60
58, 59
61
58, 59
63
Skorowidz
152
implikacja rozmyta
implikacja Zadeha
indeks rozmycia
inkluzja zbiorów
inteligentne alarmy
intensyfikacja kontrastu
inwolucja
język zapytań SQLf
klasyfikacja zaburzeń rytmu serca
klasyfikatory rozmyte
koncentracja
koniunkcja
konkluzja
łączność
liczba odwrotna
liczba przeciwna
liczba przeciwna LP
liczba rozmyta
liczba trójkątna
liczby LP
logika klasyczna
metoda maksimum
metoda środka ciężkości
miara możliwości
miara konieczności
miary domniemania
miary przekonania
miary rozmyte
MIMO
MISO
mnożenie liczb LP
mnożenie liczb rozmytych
modus ponens
modus tollens
modyfikacja funkcji przynależności
56, 58
62, 63
132
4
139
13
3
112, 113
137
89
13
54
54
3
46
46
51
44
48
50
54
77
77
99
99
97
97
97
64
64
52
45
55, 56
55, 56
13
Skorowidz
normy trójkątne
nośnik zbioru rozmytego
odejmowanie liczb rozmytych
odległość euklidesowa
odległość Hamminga
operacje skompensowane
operacje standardowe
operator agregacji
operator średniej ważonej
operator uogólniony średniej
operator Zimmermana
porównywanie liczb rozmytych
prawa de Morgana
prawo wyłączonego środka
prawo zaprzeczenia
progowanie rozmyte
projekcja
przecięcie zbiorów
przedział rozmyty
przemienność
przesłanka
przewidywalność
punkty krzyżowania
Q- implikacja
rdzeń zbioru rozmytego
redukcja typu
relacja rozmyta
relacje binarne
relacje rozmyte typu 2
R-implikacja
rozcieńczenie
rozmyta detekcja krawędzi
rozmyta diagnostyka medyczna
rozmyta granulacja
rozmyta segmentacja obrazów medycznych
153
20
6
45
105
104
29
19
66, 67
67
66
66
49
4
4
4
131
41
2
45
3
54
140
7
60
6
120
36
39
119
60
13
135
140, 141
133
137
Skorowidz
154
rozmyte modele związków encji
rozmyte obiektowe bazy danych
rozmyte relacyjne bazy danych
rozmyte systemy monitorowania
rozmywanie obrazu
rozmywanie singleton-singleton
rozmywanie typu nonsingleton
rozmywanie typu singleton
rozpoznawanie wzorców
rozszerzenie cylindryczne
różnica algebraiczna
różnica drastyczna
różnica ograniczona
różnica standardowa
różnica symetryczna
segmentacja rozmyta
S-implikacja
singleton rozmyty
skalowanie liczb rozmytych
skalowanie liczb rozmytych
s-norma
s-norma drastyczna
s-norma Einsteina
s-norma Fodora
s-norma Hamachera
s-norma Łukaszewicza
s-norma probabilityczna
s-norma Sugeno
s-norma Yagera
s-norma Zadeha
specyficzność
sterownik Mamdaniego-Assilana
sterownik rozmyty
sterownik Takagi-Sugeno-Kanga
sterownik z implikacją Larsena
109-110
113
107-109
139
127, 128
122
74
74
84
42
33
33
33
32
34
131
60
12, 74
49
51
21
22, 25
24, 26
23, 26
27, 28
22, 25
21, 25
28, 29
26, 27
21, 24
140
78-80
70
80-82
76
Skorowidz
stopień przynależności
stopień rozmycia
stwierdzenia z kwalifikatorami
stwierdzenia z kwantyfikatorami
stwierdzenia z łącznikami
stwierdzenia z modyfikatorami
suma zbiorów rozmytych typu 2
system FQUERY
system Łęskiego-Czogały
system rozmyty typu 2
systemy ekspertowe
szerokość zbioru rozmytego
ślad niepewności
teoria Dempstera-Schafera
teoria dowodów
teoria możliwości
teoria prawdopodobieństwa
t-norma
t-norma algebraiczna
t-norma drastyczna
t-norma Einsteina
t-norma Fodora
t-norma Hamachera
t-norma Łukaszewicza
t-norma Sugeno
t-norma Yagera
t-norma Zadeha
uniwersum
wnioskowanie rozmyte
wskaźnik Fukuyamy-Sugeno
wskaźnik obszaru zbioru rozmytego
wskaźnik Xie-Bieni
wyostrzanie obrazu
wysokość zbioru rozmytego
zapytania nieprecyzyjne
155
5
89
103
103
103
102
117
112
82
121-125
143, 144
7
116
97
97
99
101, 102
21
21, 25
22, 25
24, 26
23, 26
27,28
21, 25
28
26, 27
21, 24
2
55
89
134
89
129
6
110, 113
Skorowidz
156
zasada dekompozycji
zasada dekompozycji
zasada rozszerzania
zasada rozszerzania
zbiory ostre
zbiory rozmyte
zbiory rozmyte osadzone
zbiory rozmyte przedziałowe
zbiory rozmyte typu 2
zbiory zagnieżdżone
zbiór pusty
zbiór rozmyty wypukły
złożenie relacji
zmienne lingwistyczne
zmniejszenie kontrastu
α-przekroje
15
14, 15
16
16
2-4
4
116
122, 123
115
99
3, 116
44
39
57
13
14, 15

Algorytmy logiki rozmytej

Transkrypt

Podobne dokumenty

prezentacja - Uniwersytet Rzeszowski

DPD Dodatkowe zalecenia - elektronika i sprzęt RTV AGD